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