آموزش شبکه‌های عصبی در پایتون از پایه: یادگیری با انجام دادن - آخرین آپدیت

دانلود Neural Networks in Python from Scratch: Learning by Doing

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

یادگیری نورومورفیک و یادگیری ماشین: برنامه‌نویسی شبکه‌های عصبی با پایتون

سریع‌ترین راه برای درک (و برنامه‌نویسی) شبکه‌های عصبی با پایتون

از مثال‌های شهودی تا تشخیص تصویر در ۳ ساعت - تجربه محاسبات نورومورفیک و یادگیری ماشین به صورت عملی.

این دوره برای هر کسی که می‌خواهد با برنامه‌نویسی عملی، کارکرد شبکه‌های عصبی را یاد بگیرد، عالی است!

برنامه‌نویسی شبکه‌های عصبی برای ۳ مسئله متفاوت از ابتدا با پایتون ساده

مرحله اول: شروع ساده - درک لایه ورودی، لایه خروجی، وزن‌ها، تابع خطا، دقت و آموزش

آشنایی با معماری شبکه عصبی، وزن‌ها، لایه ورودی و خروجی، داده‌های آموزش و تست، دقت و تابع خطا، feed-forward و back-propagation و گرادیان کاهشی با مثالی ساده (جمع دو عدد).

معماری شبکه عصبی
وزن‌ها، لایه ورودی و خروجی
داده‌های آموزش و تست
دقت و تابع خطا
Feed-forward و back-propagation
Gradient descent

مرحله دوم: پیچیده‌تر کردن مسئله - معرفی لایه‌های پنهان و توابع فعال‌سازی

تغییر شبکه برای تعیین علامت جمع و آشنایی با لایه‌های پنهان، توابع فعال‌سازی و طبقه‌بندی.

لایه‌های پنهان
تابع فعال‌سازی
طبقه‌بندی (Categorization)

مرحله سوم: کاربرد واقعی - تشخیص دست‌خط با شبکه عصبی

استفاده از شبکه عصبی برای کاربرد واقعی مانند تشخیص تصاویر دست‌نویس digits. نگاهی به راه‌های بهبود شبکه، مسائل قابل حل با شبکه‌های عصبی و استفاده از شبکه‌های از پیش آموزش‌دیده.

تشخیص ارقام دست‌نویس!
چگونه شبکه را بهبود دهیم؟
چه مسائل دیگری با شبکه‌های عصبی قابل حل هستند؟
چگونه بدون تلاش زیاد از شبکه‌های از پیش آموزش‌دیده استفاده کنیم؟

چرا این دوره؟

این دوره بهینه‌سازی شده است تا در کوتاه‌ترین زمان ممکن، عمیق‌ترین بینش را در مورد این موضوع جذاب به شما بدهد. تمرکز کامل بر یادگیری از طریق عمل است و مفاهیم جدید تنها زمانی معرفی می‌شوند که مورد نیاز باشند.

پیش‌نیازها: مهارت‌های برنامه‌نویسی پایه (ترجیحاً آشنایی با پایتون ۳ بدون ماژول‌های پیشرفته) برای برنامه‌نویسی همگام با مدرس.

نام من Börge Göbel است و به عنوان دانشمند پسادکترا در فیزیک نظری، جایی که شبکه‌های عصبی کاربرد فراوانی دارند، فعالیت می‌کنم. مهارت‌های تدریس خود را به عنوان مدرس دانشجویان کارشناسی، کارشناسی ارشد و دکترا در فیزیک نظری توسعه داده‌ام و دوره‌های موفق دیگری نیز در اینجا (Udemy) دارم.

"دوره عالی! همه چیز را در مورد عملکرد شبکه‌های عصبی از درون، به روشی ساده و قابل فهم توضیح داد." - Srdan Markovic

امیدوارم هیجان‌زده باشید و شما را به دوره خود خوش‌آمد می‌گویم!

سرفصل ها و درس ها

مقدمه: درون‌یابی و یادگیری ماشین Introduction: Interpolation & Machine learning

مروری بر دوره Overview of the course
فایل‌های الگو برای این دوره Template files for this course
درون‌یابی (یا رگرسیون) - اصل بنیادی یادگیری ماشین Interpolation (or regression) - The fundamental principle of machine learning
درون‌یابی Interpolation

اولین شبکه عصبی شما: مجموع دو عدد Your first neural network: Sum of two numbers

شروع کنیم! Let's get started!
از درون‌یابی تا شبکه‌های عصبی From interpolation to neural networks
شبکه‌های عصبی چیستند؟ What are neural networks?
[پروژه ۱] ساده‌ترین شبکه عصبی: مجموع دو عدد [Project 1] Most simple neural network: Sum of two numbers
آماده‌سازی داده‌های آموزش و آزمون Prepare the training and testing data
مقداردهی اولیه وزن‌ها و محاسبه خروجی Initialize the weights & Calculate the output
توابع دقت و خطا Accuracy & Error functions
گرادیان تابع خطا Gradient of the error function
آموزش شبکه عصبی از طریق نزول گرادیان Training the neural network via gradient descent
استفاده از شبکه آموزش‌دیده روی داده‌های آزمون Using the trained network on the test data
کار با پارامترها Playing with the parameters
شبکه‌های عصبی Neural networks

تغییر مسئله: علامت مجموع دو عدد Modifying the problem: Sign of the sum of two numbers

[پروژه ۲] شبکه عصبی کامل: علامت مجموع دو عدد [Project 2] Complete neural network: Sign of the sum of two numbers
تغییر ورودی، خروجی و وزن‌ها Modify input, output & weights
افزودن تابع فعال‌سازی به شبکه عصبی Add an activation function to the neural network
تغییر توابع دقت و خطا Modify accuracy and error functions
تغییر گرادیان تابع خطا Modify gradient of the error function
آموزش و آزمون شبکه عصبی تغییر یافته Training & Testing the modified neural network

کد یکسان، مسئله متفاوت: تشخیص تصویر Same code, different problem: Image recognition

[پروژه ۳] شبکه عصبی یکسان: برای تشخیص ارقام دست‌نویس اعمال شده است [Project 3] Same neural network: Applied to recognize hand-written digits
اعمال شبکه عصبی خود بر مسئله جدید: تشخیص عدد Apply our neural network to the new problem: Number recognition
بهبود تابع گرادیان Improve the gradient function
تحلیل شبکه عصبی آموزش‌دیده Analysis of the trained neural network

چشم‌انداز و خداحافظی Outlook & Goodbye

چگونه شبکه را بهبود دهیم؟ How to improve the network?
چشم‌انداز: شبکه‌های عصبی از پیش آموزش‌دیده و یادگیری ماشین در Wolfram Mathematica Outlook: Pretrained neural networks & Machine learning in Wolfram Mathematica
متشکرم و خداحافظ! Thank you & Goodbye!

[منابع] [Resources]

[نصب] پایتون و Jupyter Notebook از طریق Anaconda [Installation] Python and Jupyter Notebook via Anaconda
فایل‌های الگو Template files
نوت‌بوک‌های Jupyter نهایی شده Finalized jupyter notebooks
تبریک می‌گویم! محتوای جایزه! Congratulations! Bonus Content!

برای ارسال نظر ثبت نام کنید.

آموزش شبکه‌های عصبی در پایتون از پایه: یادگیری با انجام دادن - آخرین آپدیت

دانلود Neural Networks in Python from Scratch: Learning by Doing

یادگیری نورومورفیک و یادگیری ماشین: برنامه‌نویسی شبکه‌های عصبی با پایتون

برنامه‌نویسی شبکه‌های عصبی برای ۳ مسئله متفاوت از ابتدا با پایتون ساده

مرحله اول: شروع ساده - درک لایه ورودی، لایه خروجی، وزن‌ها، تابع خطا، دقت و آموزش

مرحله دوم: پیچیده‌تر کردن مسئله - معرفی لایه‌های پنهان و توابع فعال‌سازی

مرحله سوم: کاربرد واقعی - تشخیص دست‌خط با شبکه عصبی

چرا این دوره؟

مقدمه: درون‌یابی و یادگیری ماشین Introduction: Interpolation & Machine learning

مروری بر دوره Overview of the course

فایل‌های الگو برای این دوره Template files for this course

درون‌یابی (یا رگرسیون) - اصل بنیادی یادگیری ماشین Interpolation (or regression) - The fundamental principle of machine learning

درون‌یابی Interpolation

اولین شبکه عصبی شما: مجموع دو عدد Your first neural network: Sum of two numbers

شروع کنیم! Let's get started!

از درون‌یابی تا شبکه‌های عصبی From interpolation to neural networks

شبکه‌های عصبی چیستند؟ What are neural networks?

[پروژه ۱] ساده‌ترین شبکه عصبی: مجموع دو عدد [Project 1] Most simple neural network: Sum of two numbers

آماده‌سازی داده‌های آموزش و آزمون Prepare the training and testing data

مقداردهی اولیه وزن‌ها و محاسبه خروجی Initialize the weights & Calculate the output

توابع دقت و خطا Accuracy & Error functions

گرادیان تابع خطا Gradient of the error function

آموزش شبکه عصبی از طریق نزول گرادیان Training the neural network via gradient descent

استفاده از شبکه آموزش‌دیده روی داده‌های آزمون Using the trained network on the test data

کار با پارامترها Playing with the parameters

شبکه‌های عصبی Neural networks

تغییر مسئله: علامت مجموع دو عدد Modifying the problem: Sign of the sum of two numbers

[پروژه ۲] شبکه عصبی کامل: علامت مجموع دو عدد [Project 2] Complete neural network: Sign of the sum of two numbers

تغییر ورودی، خروجی و وزن‌ها Modify input, output & weights

افزودن تابع فعال‌سازی به شبکه عصبی Add an activation function to the neural network

تغییر توابع دقت و خطا Modify accuracy and error functions

تغییر گرادیان تابع خطا Modify gradient of the error function

آموزش و آزمون شبکه عصبی تغییر یافته Training & Testing the modified neural network

کد یکسان، مسئله متفاوت: تشخیص تصویر Same code, different problem: Image recognition

[پروژه ۳] شبکه عصبی یکسان: برای تشخیص ارقام دست‌نویس اعمال شده است [Project 3] Same neural network: Applied to recognize hand-written digits

اعمال شبکه عصبی خود بر مسئله جدید: تشخیص عدد Apply our neural network to the new problem: Number recognition

بهبود تابع گرادیان Improve the gradient function

تحلیل شبکه عصبی آموزش‌دیده Analysis of the trained neural network

چشم‌انداز و خداحافظی Outlook & Goodbye

چگونه شبکه را بهبود دهیم؟ How to improve the network?

چشم‌انداز: شبکه‌های عصبی از پیش آموزش‌دیده و یادگیری ماشین در Wolfram Mathematica Outlook: Pretrained neural networks & Machine learning in Wolfram Mathematica

متشکرم و خداحافظ! Thank you & Goodbye!

[منابع] [Resources]

[نصب] پایتون و Jupyter Notebook از طریق Anaconda [Installation] Python and Jupyter Notebook via Anaconda

فایل‌های الگو Template files

نوت‌بوک‌های Jupyter نهایی شده Finalized jupyter notebooks

تبریک می‌گویم! محتوای جایزه! Congratulations! Bonus Content!

نمایش نظرات

https://donyad.com/d/41eebf