آموزش ساخت مدلهای یادگیری عمیق با استفاده از Apache MXNet

Building Deep Learning Models Using Apache MXNet

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: Apache MXNet یک چارچوب یادگیری عمیق است که ریشه در خدمات وب آمازون (AWS) دارد و یک جایگزین قدرتمند برای TensorFlow است. این دوره به شما می آموزد که چگونه نمودارهای محاسبه پویا و استاتیک را با استفاده از Gluon API بسازید. همه را بزرگ کنید بررسی اجمالی دوره 1m 46s مقدمه ای بر Apache MXNet 42 متر 8 ثانیه ساخت شبکه های عصبی با استفاده از API ماژول 32 متر 28 ثانیه ساخت شبکه های عصبی با استفاده از Gluon API 46 متر و 42 ثانیه علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

مقدمه ای بر Apache MXNet Introduction to Apache MXNet

  • بررسی اجمالی ماژول Module Overview

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • نورون ها و شبکه های عصبی Neurons and Neural Networks

  • معرفی Apache MXNet Introducing Apache MXNet

  • نسخه ی نمایشی: نصب Apache MXNet Demo: Installing Apache MXNet

  • برنامه نویسی نمادین و ضروری Symbolic and Imperative Programming

  • معرفی NDArrays Introducing NDArrays

  • نسخه ی نمایشی: کار با NDArrays Demo: Working with NDArrays

  • نسخه ی نمایشی: عملیات پیشرفته روی NDArrays Demo: Advanced Operations on NDArrays

  • بهینه سازی نزول گرادیان Gradient Descent Optimization

  • پاس های جلو و عقب Forward and Backward Passes

ساخت شبکه های عصبی با استفاده از API ماژول Building Neural Networks Using the Module API

  • بررسی اجمالی ماژول Module Overview

  • معرفی Symbol API Introducing the Symbol API

  • نسخه ی نمایشی: نمودارهای محاسبه با استفاده از Symbol API Demo: Computation Graphs Using the Symbol API

  • نسخه ی نمایشی: تکرار کنندگان داده Demo: Data Iterators

  • معرفی Module API Introducing the Module API

  • نسخه ی نمایشی: بررسی مجموعه داده های سرطان پستان و تنظیم NN Demo: Exploring the Breast Cancer Dataset and Setting up the NN

  • نسخه ی نمایشی: آموزش و پیش بینی با استفاده از API ماژول Demo: Training and Prediction Using the Module API

  • نسخه ی نمایشی: برآوردگرها در API ماژول Demo: Estimators in the Module API

ساخت شبکه های عصبی با استفاده از Gluon API Building Neural Networks Using the Gluon API

  • بررسی اجمالی ماژول Module Overview

  • معرفی Gluon API Introducing the Gluon API

  • معرفی بسته Autograd برای محاسبه گرادیان Introducing the Autograd Package for Gradient Calculation

  • نسخه ی نمایشی: کار با Autograd Demo: Working with Autograd

  • Convolution ، Pooling و CNN Architectures Convolution, Pooling, and CNN Architectures

  • تکنیک های پیش پردازش تصویر Image Pre-processing Techniques

  • نسخه ی نمایشی: بارگذاری ، کاوش و تغییر مجموعه داده های CIFAR-10 Demo: Loading, Exploring, and Transforming the CIFAR-10 Dataset

  • نسخه ی نمایشی: ساخت و آموزش CNN با استفاده از Gluon API Demo: Building and Training a CNN Using the Gluon API

  • نسخه ی نمایشی: شبکه عصبی را برای اجرای نمادین ترکیبی کنید Demo: Hybridize the Neural Network for Symbolic Execution

  • انتقال یادگیری Transfer Learning

  • باغ وحش مدل گلوون The Gluon Model Zoo

  • نسخه ی نمایشی: طبقه بندی تصویر با استفاده از یک مدل از قبل آموزش دیده Demo: Image Classification Using a Pre-trained Model

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش ساخت مدلهای یادگیری عمیق با استفاده از Apache MXNet
جزییات دوره
2h 3m
33
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.