آموزش چکمه هوش مصنوعی در برنامه نویسی R

دانلود Artificial Intelligence Bootcamp in R Programming

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      توضیحات دوره: شبکه های عصبی عملی و یادگیری عمیق در R نحوه ساخت شبکه های عصبی مصنوعی (ANN) در R نحوه ساخت شبکه های عصبی حلقوی (CNN) در نحوه استفاده از بسته H20 در R برای حل چالش های دنیای واقعی داده های خواندن داده ها را در محیط R از منابع مختلف اجرای وظایف پیش پردازش در محیط R پیش nیaزha: دانش نحوه نصب بسته ها بر روی رایانه شخصی درک اساسی در اصطلاحات یادگیری ماشین مانند یادگیری بدون نظارت و تحت نظارت دانش اساسی در شبکه های عصبی

      راهنمای کامل شما برای شبکه های عصبی مصنوعی یادگیری عمیق در R:

      این دوره جنبه های اصلی شبکه های عصبی و یادگیری عمیق را در بر می گیرد. اگر این دوره را طی می کنید ، می توانید با گذراندن دوره های دیگر یا خرید کتاب در مورد داده های مبتنی بر R ، کار خود را انجام دهید. دفع آنها با مهارت در شبکه های عصبی و یادگیری عمیق در R ، می توانید به شرکت خود یک رقابت رقابتی بدهید و حرفه خود را به سطح بعدی برسانید!

      از یک دانشمند داده متخصص یاد بگیرید:

      نام من مینروا سینگ است و من فارغ التحصیل دانشگاه آکسفورد MPHIL (جغرافیا و محیط زیست) هستم. من اخیراً دکترای دانشگاه کمبریج را به پایان رساندم. در طول تحقیق من تقریباً تمام دوره ها و کتابهای علوم داده R را در آنجا فهمیدم که ماهیت چند بعدی موضوع را به خود اختصاص نمی دهد.

      این دوره در جنبه های اصلی عملی یک پایه محکم به شما می دهد شبکه های عصبی و یادگیری عمیق.

      بر خلاف سایر مربیان R ، من در عمق ویژگی های علوم داده R حفر می کنم و یک نوع یک نوع در علوم داده را به شما می دهم ...

      شما از انجام تمیز کردن داده های خواندن داده ها تا در نهایت اجرای شبکه های عصبی قدرتمند و الگوریتم های یادگیری عمیق و ارزیابی عملکرد آنها با استفاده از r.

      ، تمام راه را طی خواهید کرد.



      از جمله موارد دیگر:


      شما با بسته های یادگیری عمیق مبتنی بر R مانند H2O و MXNET آشنا می شوید.

      معرفی خواهید شد به شبکه های عصبی عمیق (DNN) ، شبکه های عصبی Convolution (CNN) و روشهای بدون نظارت.

      شما یاد می گیرید که چگونه شبکه های عصبی Convolutional (CNN) را در مورد داده های تصاویر با استفاده از چارچوب Keras

      پیاده سازی کنید. شما یاد خواهید گرفت که این چارچوب ها را در داده های زندگی واقعی از جمله داده های کلاهبرداری کارت اعتباری ، داده های تومور ، تصاویر در میان دیگران برای طبقه بندی و برنامه های رگرسیون استفاده کنید.


      با این دوره ، کلیدهای مربوط به شبکه های عصبی کامل و پادشاهی یادگیری عمیق!


      سرفصل ها و درس ها

      در دوره R به AI خوش آمدید Welcome to AI in R course

      • به دوره خوش آمدید Welcome To The Course

      • R و Rstudio را نصب کنید Install R and RStudio

      • اضافی: مسیر یادگیری EXTRA: Learning Path

      • مواد را دریافت کنید Get the Materials

      • mxnet را در r و rstudio نصب کنید Install MXnet in R and RStudio

      • mxnet را در دستورالعمل های کتبی نصب کنید Install Mxnet in R- Written Instructions

      • H2O را نصب کنید Install H2o

      • کراس چیست؟ What is Keras?

      • کروها را در r نصب کنید Install Keras in R

      کار با داده های واقعی Working with Real Data

      • در داده های پرونده های CSV و Excel بخوانید Read in Data From CSV and Excel Files

      • اطلاعات مربوط به جداول HTML آنلاین را در قسمت 1 بخوانید Read in Data from Online HTML Tables-Part 1

      • اطلاعات مربوط به جداول HTML آنلاین را در قسمت 2 بخوانید Read in Data from Online HTML Tables-Part 2

      • کار با داده های خارجی در H2O Working with External Data in H2o

      • NAS را بردارید Remove NAs

      • تمیز کردن داده های بیشتر More Data Cleaning

      • مقدمه ای برای dplyr برای جمع بندی داده ها قسمت 1 Introduction to dplyr for Data Summarizing-Part 1

      • مقدمه ای برای dplyr برای داده های خلاصه بخش 2 Introduction to dplyr for Data Summarizing-Part 2

      • تجزیه و تحلیل داده های اکتشافی (EDA): تجسم اساسی با r Exploratory Data Analysis(EDA): Basic Visualizations with R

      • رایج ترین انواع داده هایی که با آنها روبرو خواهیم شد چیست؟ What Are the Most Common Data Types We Will Encounter?

      برخی از مبانی نظری Some Theoretical Foundations

      • تفاوت بین یادگیری تحت نظارت و بدون نظارت Difference Between Supervised & Unsupervised Learning

      شهود آن ANN Intuition

      • طرح حمله Plan of Attack

      • نورون The Neuron

      • عملکرد فعال سازی The Activation Function

      • شبکه های عصبی چگونه کار می کنند؟ How do Neural Networks work?

      • شبکه های عصبی چگونه یاد می گیرند؟ How do Neural Networks learn?

      • نزول شیب Gradient Descent

      • نزول شیب تصادفی Stochastic Gradient Descent

      • بازپرداخت Backpropagation

      ایجاد شبکه های عصبی مصنوعی (ANN) در r Build Artificial Neural Networks (ANN) in R

      • شبکه عصبی برای طبقه بندی باینری Neural Network for Binary Classifications

      • دقت را ارزیابی کنید Evaluate Accuracy

      • یک Perceptron چند لایه (MLP) را برای طبقه بندی نظارت شده پیاده سازی کنید Implement a Multi-Layer Perceptron (MLP) For Supervised Classification

      • شبکه عصبی برای طبقه بندی چند طبقه Neural Network for Multiclass Classifications

      • شبکه عصبی برای داده های نوع تصویر Neural Network for Image Type Data

      • طبقه بندی چند طبقه با استفاده از شبکه های عصبی با CARET Multi-class Classification Using Neural Networks with caret

      • ANN را با H2O برای طبقه بندی نظارت شده چند طبقه پیاده سازی کنید Implement an ANN with H2o For Multi-Class Supervised Classification

      • یک طبقه بندی مبتنی بر ANN را با استفاده از MXNET پیاده سازی کنید Implement an ANN Based Classification Using MXNet

      • MLP را با Keras پیاده سازی کنید Implement MLP With Keras

      • Keras MLP در داده های واقعی Keras MLP On Real Data

      • Keras MLP برای رگرسیون Keras MLP For Regression

      • شبکه عصبی برای رگرسیون Neural Network for Regression

      • اطلاعات بیشتر در مورد شبکه های عصبی مصنوعی (ANN) - با Neuralnet More on Artificial Neural Networks(ANN) - with neuralnet

      • رگرسیون مبتنی بر ANN را با استفاده از MXNET پیاده سازی کنید Implement an ANN Based Regression Using MXNet

      • اهمیت متغیر را در شبکه های عصبی شناسایی کنید Identify Variable Importance in Neural Networks

      ایجاد شبکه های عصبی عمیق (DNN) در r Build Deep Neural Networks (DNN) in R

      • یک DNN ساده را با "Neuralnet" برای طبقه بندی باینری اجرا کنید Implement a Simple DNN With "neuralnet" for Binary Classifications

      • یک DNN ساده را با "DeepNet" برای رگرسیون پیاده سازی کنید Implement a Simple DNN With "deepnet" for Regression

      • یک DNN را با H2O برای طبقه بندی نظارت شده چند طبقه پیاده سازی کنید Implement a DNN with H2o For Multi-Class Supervised Classification

      • DNN (کمتر فشرده) DNN با H2O را برای طبقه بندی نظارت اجرا کنید Implement a (Less Intensive) DNN with H2o For Supervised Classification

      • DNN را با Keras پیاده سازی کنید Implement a DNN With Keras

      • DNN را با Keras پیاده سازی کنید Implement a DNN With Keras

      • اهمیت متغیر را شناسایی کنید Identify Variable Importance

      • MXNET را از طریق "Caret" پیاده سازی کنید Implement MXNET via "caret"

      • اجرای DNN با H2O برای رگرسیون Implement a DNN with H2o For Regression

      • برای رگرسیون یک DNN با Keras اجرا کنید Implement a DNN with Keras For Regression

      • اجرای رگرسیون DNN با Keras (داده های واقعی) Implement DNN Regression With Keras (Real Data)

      طبقه بندی بدون نظارت با یادگیری عمیق Unsupervised Classification with Deep Learning

      • نظریه پشت طبقه بندی بدون نظارت Theory Behind Unsupervised Classification

      • AutoEncoders برای یادگیری بدون نظارت Autoencoders for Unsupervised Learning

      • AutoEncoders برای تشخیص کلاهبرداری کارت اعتباری Autoencoders for Credit Card Fraud Detection

      • برای تشخیص ناهنجاری از مدل AutoEncoder استفاده کنید Use the Autoencoder Model for Anomaly Detection

      • AutoEncoders برای طبقه بندی بدون نظارت Autoencoders for Unsupervised Classification

      • AutoEncoders با Keras Autoencoders With Keras

      • keras autoencoders در داده های واقعی Keras Autoencoders on Real Data

      • AutoEncoder انباشته شده با کراس Stacked Autoencoder With Keras

      • کراس برای تشخیص دور Keras For Outlier Detection

      • دور را پیدا کنید Find the Outlier

      • تشخیص دورتر برای سرطان (با کراس) Outlier Detection For Cancer (With Keras)

      شهود CNN CNN Intuition

      • طرح حمله Plan of Attack

      • شبکه های عصبی حلقوی چیست؟ What are convolutional neural networks?

      • مرحله 1 - عملیات Convolution Step 1 - Convolution Operation

      • مرحله 1 (ب) - لایه Relu Step 1(b) - ReLU Layer

      • مرحله 2 - استخر Step 2 - Pooling

      • مرحله 3 - صاف کردن Step 3 - Flattening

      • مرحله 4 - اتصال کامل Step 4 - Full Connection

      • خلاصه Summary

      • Softmax & Cross-entropy Softmax & Cross-Entropy

      اجرای عملی CNN در r Practical CNN Implementation in R

      • یک CNN را برای طبقه بندی نظارت شده چند طبقه پیاده سازی کنید Implement a CNN for Multi-Class Supervised Classification

      • اطلاعات بیشتر در مورد دقت مدل CNN ما More About Our CNN Model Accuracy

      • CNN را با Keras تنظیم کنید Set Up CNN With Keras

      • اطلاعات بیشتر در مورد CNN با Keras More About CNN With Keras

      • Keras CNN را روی تصاویر واقعی پیاده سازی کنید Implement Keras CNN On Real Images

      • چند توضیح بیشتر Some More Explanations

      • عملکرد CNN را بهبود بخشید Improve CNN Performance

      کار با داده های متنی Working With Textual Data

      • پیش پردازش اولیه داده های متن Basic Pre-Processing of Text Data

      • کلاهبرداری ها را با استفاده از AutoEncoders Keras در داده های متن تشخیص دهید Detect Frauds Using Keras Autoencoders on Text Data

      • جاسازی های کلمه ای برای طبقه بندی کلاهبرداری Word Embeddings For Classifying Fraud

      • تعبیه کلمه برای طبقه بندی کلاهبرداری Word Embeddings For Classifying Fraud-GloVe

      تبریک !! جایزه خود را فراموش نکنید :) Congratulations!! Don't forget your Prize :)

      • پاداش: چگونه باز کردن حقوق بالا (آموزش زنده) Bonus: How To UNLOCK Top Salaries (Live Training)

      نمایش نظرات

      آموزش چکمه هوش مصنوعی در برنامه نویسی R
      جزییات دوره
      10 hours
      86
      Udemy (یودمی) Udemy (یودمی)
      (آخرین آپدیت)
      784
      3.5 از 5
      ندارد
      دارد
      دارد
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      Google Chrome Browser

      Internet Download Manager

      Pot Player

      Winrar

      Minerva Singh Minerva Singh

      دانشمند تحصیل کرده آکسبریج

      سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم

      SuperDataScience Team SuperDataScience Team

      کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

      Ligency Team Ligency Team

      کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر