آموزش ساخت مدل های رگرسیون با استفاده از TensorFlow - آخرین آپدیت

Building Regression Models Using TensorFlow

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: TensorFlow ابزاری انتخابی برای ایجاد برنامه های یادگیری عمیق است. در این دوره ، شما خواهید آموخت که چگونه سلول های عصبی در شبکه های عصبی توابع غیر خطی را یاد می گیرند و چگونه شبکه های عصبی عملیاتی مانند رگرسیون و طبقه بندی را اجرا می کنند. TensorFlow در مورد ساخت شبکه های عصبی است که می تواند توابع را "یاد بگیرد" ، و رگرسیون خطی می تواند ساده ترین شبکه عصبی ممکن است یاد بگیرید - فقط 1 نورون! در مقابل ، عملکرد XOR نیاز به 3 نورون دارد که در 2 لایه مرتب شده اند و تشخیص تصویر هوشمند می تواند به هزاران نورون نیاز داشته باشد. در این دوره ، ساخت مدل های رگرسیون با استفاده از TensorFlow ، خواهید آموخت که چگونه سلول های عصبی در شبکه های عصبی توابع غیر خطی را یاد می گیرند. ابتدا ، شما با یادگیری توابعی مانند XOR و نحوه آموزش بهینه سازهای مختلف برای کاهش شیب ، شروع خواهید کرد. در مرحله بعدی ، شما به نتایج انتخاب توابع فعال سازی مانند softmax و ReLU خواهید پرداخت. سرانجام ، استفاده از برآوردگرهای داخلی در Tensorflow را کشف خواهید کرد. با پایان این دوره ، شما درک بهتری از نحوه "یادگیری" سلول های عصبی و نحوه تنظیم و آموزش شبکه های عصبی در TensorFlow برای اجرای عملیاتی مانند رگرسیون و طبقه بندی خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

یادگیری با استفاده از نورون ها Learning Using Neurons

  • درک عمیق یادگیری Understanding Deep Learning

  • عمیق یادگیری به عنوان یک سیستم یادگیری نمایندگی Deep Learning as a Representation Learning System

  • نورون ها به عنوان واحدهای یادگیری Neurons as Learning Units

  • درک یک نورون Understanding a Neuron

  • توابع فعال سازی Activation Functions

  • رگرسیون: ساده ترین شبکه عصبی Regression: The Simplest Neural Network

  • XOR: یک شبکه عصبی کمی پیچیده تر XOR: A Slightly More Complex Neural Network

  • یادگیری XOR Learning XOR

  • انتخاب عملکرد فعال سازی Choice of Activation Function

  • پیش نیازها و طرح کلی دوره Prequisites and Course Outline

ساخت مدلهای رگرسیون خطی با استفاده از TensorFlow Building Linear Regression Models Using TensorFlow

  • طرح کلی رویکرد شما Outlining Your Approach

  • پیاده سازی پایه A Baseline Implementation

  • درک شیب نزولی Understanding Gradient Descent

  • پیاده سازی نزول گرادیان تصادفی در TensorFlow Implementing Stochastic Gradient Descent in TensorFlow

  • ابزار دقیق و استفاده از TensorBoard Instrumenting and Using TensorBoard

  • پیاده سازی نزولی گرادیان دسته ای در TensorFlow Implementing Batch Gradient Descent in TensorFlow

  • اجرای رگرسیون چندگانه Implementing Multiple Regression

ساخت مدل های رگرسیون لجستیک با استفاده از TensorFlow Building Logistic Regression Models Using TensorFlow

  • شهود پشت سرگذاشتن لجستیک The Intuition Behind Logistic Regression

  • رگرسیون لجستیک و رگرسیون خطی Logistic Regression and Linear Regression

  • پیاده سازی پایه A Baseline Implementation

  • رگرسیون لجستیک در TensorFlow Logistic Regression in TensorFlow

  • پیامدهای استفاده از فعال سازی Softmax The Implications of Using Softmax Activation

  • صلیب انتروپی Cross Entropy

  • پیاده سازی طبقه بندی خطی در TensorFlow Implementing Linear Classification in TensorFlow

  • محاسبه دقت Calculating Accuracy

ساخت مدلهای خطی تعمیم یافته با استفاده از برآوردگرها Building Generalized Linear Models Using Estimators

  • ارزیابی کنندگان چگونه کار می کنند How Estimators Work

  • رگرسیون خطی با برآوردگرها Linear Regression with Estimators

  • رگرسیون لجستیک با برآوردگرها Logistic Regression with Estimators

  • گسترش برآوردگرها با مدلهای سفارشی Extending Estimators with Custom Models

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش ساخت مدل های رگرسیون با استفاده از TensorFlow
جزییات دوره
2h 39m
31
(آخرین آپدیت)
35
4.3 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Vitthal Srinivasan Vitthal Srinivasan

ویتال بسیاری از عمر خود را صرف تحصیل کرده است - وی دارای مدرک کارشناسی ارشد در رشته های ریاضی و مهندسی برق از استنفورد ، MBA از INSEAD و لیسانس مهندسی کامپیوتر از بمبئی است. او همچنین بسیاری از زندگی خود را صرف کار کرده است - به عنوان یک مشتق مشتق در Credit Suisse در نیویورک ، سپس به عنوان یک معامله گر کوان ، ابتدا با یک صندوق پرچین در گرینویچ و سپس به صورت شخصی و در نهایت در Google در سنگاپور و Flipkart بنگلور در تمام این نقش ها ، او کدهای زیادی نوشته است و مدل های زیادی ساخته است.