آموزش یادگیری عمیق: بهینه‌سازی و تنظیم مدل - آخرین آپدیت

دانلود Deep Learning: Model Optimization and Tuning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

تکنولوژی یادگیری عمیق (Deep Learning) در سال‌های اخیر پیشرفت‌های چشمگیری داشته است و امروزه بسیاری از راهکارهای هوش مصنوعی از این فناوری به عنوان زیربنای اصلی خود استفاده می‌کنند. با این حال، مطالعه این حوزه با چالش‌های متعددی همراه است و متخصصان IT با پیش‌زمینه‌های مختلف به منبعی ساده برای یادگیری مفاهیم و ساخت سریع مدل‌ها نیاز دارند. در این دوره، مدرس دوره، کوماران پونامبالام، مسیری ساده شده برای درک گزینه‌های مختلف بهینه‌سازی و تنظیم مدل‌های یادگیری عمیق ارائه می‌دهد و نحوه استفاده از این ابزارها برای بهبود عملکرد مدل‌ها را آموزش می‌دهد. او ابتدا با مرور مفاهیم یادگیری عمیق، از جمله شبکه‌های عصبی مصنوعی و معماری‌های آن‌ها شروع می‌کند. سپس، فرآیند تنظیم هایپرپارامترها (Hyperparameter Tuning)، اجزای تشکیل‌دهنده شبکه‌های عصبی و اهرم‌های موجود برای تنظیم آن‌ها را مورد بررسی قرار می‌دهد. در نهایت، با ارائه توصیه‌ها، بهترین روش‌ها و یک تمرین جامع تنظیم مدل، دوره را به پایان می‌رساند.

این دوره با GitHub Codespaces یکپارچه شده است؛ یک محیط توسعه ابری فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به نصب نرم‌افزار روی سیستم محلی فراهم می‌کند. با GitHub Codespaces، شما می‌توانید در هر زمان و با هر دستگاهی تمرینات عملی را انجام دهید و با ابزاری کار کنید که احتمالاً در محیط‌های کاری واقعی با آن مواجه خواهید شد. برای شروع، بخش «راهنمای آماده‌سازی فایل‌های تمرینی» را در این دوره مشاهده کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • راهنمای آماده‌سازی فایل‌های تمرینی Setting up exercise files

  • بهینه‌سازی شبکه‌های عصبی Optimizing neural networks

1. مقدمه‌ای بر بهینه‌سازی یادگیری عمیق 1. Introduction to Deep Learning Optimization

  • مدل شبکه عصبی مصنوعی (ANN) An artificial neural network (ANN) model

  • تنظیمات محیط آزمایش برای دوره Experiment setups for the course

  • مرور شبکه‌های عصبی مصنوعی Review of artificial neural networks

  • بهینه‌سازی و تنظیم مدل Model optimization and tuning

  • فرآیند تنظیم یادگیری عمیق The deep learning tuning process

2. تنظیم شبکه یادگیری عمیق 2. Tuning the Deep Learning Network

  • تنظیم لایه‌های پنهان Hidden layers tuning

  • تنظیم تعداد Epoch و اندازه Batch Epoch and batch size tuning

  • مقداردهی اولیه وزن‌ها Initializing weights

  • آزمایش Epoch و اندازه Batch Epoch and batch size experiment

  • تعیین تعداد نودها در یک لایه Determining nodes in a layer

  • انتخاب توابع فعال‌ساز Choosing activation functions

3. تنظیم انتشار پس‌رو (Back Propagation) 3. Tuning Back Propagation

  • نرمال‌سازی دسته‌ای (Batch Normalization) Batch normalization

  • آزمایش بهینه‌ساز (Optimizer) Optimizer experiment

  • گرادیان‌های ناپدید شونده و منفجر شونده Vanishing and exploding gradients

  • آزمایش نرخ یادگیری (Learning Rate) Learning rate experiment

  • بهینه‌سازها Optimizers

  • نرخ یادگیری Learning rate

4. مدیریت بیش‌برازش (Overfitting) 4. Overfitting Management

  • بیش‌برازش در شبکه‌های ANN Overfitting in ANNs

  • منظم‌سازی (Regularization) Regularization

  • حذف تصادفی (Dropouts) Dropouts

  • آزمایش منظم‌سازی Regularization experiment

  • آزمایش Dropout Dropout experiment

5. تمرین تنظیم مدل 5. Model Tuning Exercise

  • جلوگیری از بیش‌برازش Avoiding overfitting

  • کسب و پردازش داده‌ها Acquire and process data

  • ساخت مدل نهایی Building the final model

  • تنظیم شبکه Tuning the network

  • تنظیم انتشار پس‌رو Tuning backpropagation

  • تمرین تنظیم: بیان مسئله Tuning exercise: Problem statement

جمع‌بندی Conclusion

نمایش نظرات

آموزش یادگیری عمیق: بهینه‌سازی و تنظیم مدل
جزییات دوره
0h 55m
30
(آخرین آپدیت)
1,491
- 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

Kumaran Ponnambalam Kumaran Ponnambalam

اختصاص به آموزش علوم داده

V2 Maestros به آموزش علوم داده و داده های بزرگ با هزینه های مقرون به صرفه برای جهان اختصاص دارد. مربیان ما تجربه دنیای واقعی در تمرین علم داده و ارائه نتایج تجاری دارند. علم داده یک حوزه داغ و در حال رخ دادن در صنعت فناوری اطلاعات است. متأسفانه منابع موجود برای یادگیری این مهارت به سختی یافت می شود و گران است. امیدواریم این مشکل را با ارائه آموزش باکیفیت با نرخ های مقرون به صرفه، با ایجاد استعدادهای علم داده در سراسر جهان، کاهش دهیم.