لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساخت برنامه های یادگیری عمیق با Keras
Building Deep Learning Applications with Keras
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
Keras، یک API شبکه های عصبی سطح بالا، به دلیل سهولت استفاده و تطبیق پذیری آن محبوبیت بیشتری به دست آورده است. با توجه به اینکه کسبوکارها به سرعت به سمت راهحلهای هوش مصنوعی حرکت میکنند، به درک این ابزار ارزشمند نیاز دارید. در این دوره، ایسیل برکون، دانشمند داده، Keras را به شما معرفی میکند، ادغام آن با پشتیبانهای TensorFlow و Theano را برجسته میکند و بینشهای عملی برای ایجاد شبکههای عصبی ارائه میدهد. نحوه راه اندازی Keras، ایجاد شبکه های عصبی و استفاده از مدل های از پیش آموزش دیده را بیاموزید. نحوه استقرار مدل ها در پلتفرم هایی مانند Google Cloud را بیاموزید. پس از تکمیل این دوره، میتوانید معماری Keras را درک کنید، مدلهای یادگیری عمیق را طراحی و آموزش دهید، و از آنها برای برنامههای کاربردی در دنیای واقعی استفاده کنید.
سرفصل ها و درس ها
معرفی
Introduction
نحوه استفاده از Codespace و فایل های تمرین
How to use Codespaces and the exercise files
تغییر شکل جهان با یادگیری عمیق
Reshaping the world with deep learning
پیشینه و دانش ضروری
Essential background and knowledge
1. درک کراس
1. Understanding Keras
نورون همانطور که می شناسیم
Neuron as we know it
درک یادگیری عمیق و Keras
Understanding deep learning and Keras
کاوش در باطن TensorFlow و Theano
Exploring the TensorFlow and Theano backends
تمایز بین Keras و TensorFlow
Distinction between Keras and TensorFlow
2. راه اندازی Keras
2. Setting up Keras
نصب Keras با پشتیبان TensorFlow در ویندوز
Keras installation with a TensorFlow backend on Windows
3. شروع کار با Keras Models
3. Getting Started with Keras Models
پیش پردازش داده ها برای آموزش
Data pre-processing for training
چرخه Train-Test-Evaluate
The Train-Test-Evaluate cycle
مقدمه ای بر Keras Sequential API
Introduction to the Keras Sequential API
ساخت مدل با استفاده از Sequential API
Building a model using the Sequential API
4. آموزش مدل و تجزیه و تحلیل عملکرد
4. Model Training and Performance Analysis
مدل های آموزشی
Training models
پیش بینی و ارزیابی مدل
Model predictions and evaluation
نتایج را تجسم کنید و مدل را ذخیره کنید
Visualize results and save the model
5. استفاده از مدل های از پیش آموزش دیده در Keras
5. Leveraging Pre-Trained Models in Keras
بررسی مدل های از پیش آموزش دیده
Exploring pre-trained models
تشخیص تصویر با مدل ResNet50
Image recognition with the ResNet50 model
6. ابزار برای تجسم و ارزیابی
6. Tools for Visualization and Assessment
در حال صادر کردن گزارشهای Keras به TensorFlow
Exporting logs for Keras to TensorFlow
تجسم نمودارهای محاسباتی با TensorBoard
Visualizing computation graphs with TensorBoard
نظارت بر عملکرد تمرین با TensorBoard
Monitoring training performance with TensorBoard
ایسیل اهل استانبول، ترکیه است و در حال حاضر در پورتلند، اورگان زندگی می کند. او در سال 2015 از دانشگاه ایالتی میشیگان (MSU) فارغ التحصیل شد و دکترای خود را در رشته مهندسی برق دریافت کرد. زمینه های تخصص او شامل الکترونیک نیمه هادی پیشرفته و یادگیری ماشین برای درک عمیق از ساخت و طراحی دستگاه است. Isil در شورای تحقیقات علمی و فناوری ترکیه (TÜBİTAK) و آزمایشگاه ملی آرگون (ANL) در ایلینوی کارآموزی کرد. او قبلاً به عنوان دستیار تحقیق و تدریس در دانشگاه ایالتی میشیگان (MSU) کار می کرد، جایی که یک سیستم مشخصه حمل و نقل نیمه هادی را طراحی و ساخت و نرم افزار اتوماسیون آزمایشی را برنامه ریزی کرد.
نمایش نظرات