آموزش ساخت مدل های رگرسیون با استفاده از TensorFlow

Building Regression Models Using TensorFlow

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
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
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(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.