آموزش انتقال در انگولار

Transfer Learning in Angular

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش اعمال آموزش انتقال با استفاده از TensorFlow.js در تایپ اسکریپت مبانی یادگیری انتقال استفاده از آموزش انتقال با استفاده از TypeScript مبانی برنامه های Angular با استفاده از یادگیری انتقال مبانی طبقه بندی تصاویر با استفاده از یادگیری ماشینی با صرفه

"آموزش انتقالی به این می پردازد که چگونه سیستم ها می توانند به سرعت خود را با موقعیت های جدید، وظایف جدید و محیط های جدید تطبیق دهند. این به سیستم های یادگیری ماشینی این توانایی را می دهد که از داده ها و مدل های کمکی برای کمک به حل مشکلات هدف زمانی که فقط مقدار کمی وجود دارد استفاده کنند. داده های موجود در دامنه هدف." کتاب آموزش انتقال توسط کیانگ یانگ (نویسنده)، یو ژانگ، ونیوان دای، سینو جیالین پان


به " آموزش انتقال در انگولار: آموزش اعمال یادگیری انتقال با استفاده از TensorFlow.js در TypeScript" خوش آمدید!

در این دوره جامع Udemy، شما سفری را آغاز خواهید کرد تا با استفاده از TensorFlow.js بر هنر انتقال یادگیری مسلط شوید. یادگیری انتقالی یک تکنیک قدرتمند است که به شما امکان می‌دهد از مدل‌های از پیش آموزش‌دیده استفاده کنید و آن‌ها را در کارهای جدید به کار ببرید و در وقت و منابع محاسباتی شما صرفه‌جویی کنید.

در طول این دوره، سه رویکرد عملی برای انتقال یادگیری با استفاده از TensorFlow.js را بررسی خواهید کرد. ما با کاوش Teachable Machine، یک پلتفرم بصری و کاربرپسند که به شما امکان می‌دهد مدل‌های یادگیری ماشینی سفارشی را بدون نوشتن یک خط کد، ایجاد کنید، شروع می‌کنیم. شما یاد خواهید گرفت که چگونه طبقه‌بندی‌کننده‌های تصویر خود را آموزش دهید، و سپس آنها را به عنوان مدل‌های TensorFlow.js صادر کنید که می‌توانند به راحتی در برنامه‌های وب شما ادغام شوند.

در مرحله بعد، به الگوریتم K-Nearest Neighbors (KNN) به عنوان طبقه‌بندی کننده می‌پردازیم و از MobileNet قدرتمند به عنوان استخراج‌کننده ویژگی استفاده می‌کنیم. با آموزش طبقه‌بندی‌کننده KNN با ویژگی‌های از پیش استخراج‌شده از MobileNet، که به شما امکان می‌دهد تصاویر را با دقت چشمگیر طبقه‌بندی کنید، خواهید فهمید که چگونه می‌توانید سیستم‌های تشخیص تصویر قوی بسازید. ما شما را در فرآیند پیاده سازی گام به گام راهنمایی می کنیم و اطمینان حاصل می کنیم که درک کاملی از مفاهیم و تکنیک های مربوطه به دست آورده اید.

در نهایت، ما شما را با مهارت‌های ساخت یک شبکه عصبی ساده با استفاده از MobileNet به عنوان استخراج‌کننده ویژگی مجهز می‌کنیم. شما یاد خواهید گرفت که چگونه این شبکه عصبی را برای کارهای خاص، مانند طبقه بندی تصاویر، با آموزش آن بر روی مجموعه داده های سفارشی خود تنظیم کنید. در پایان دوره، می‌توانید مدل‌های قدرتمند و همه‌کاره را با استفاده از TensorFlow.js با MobileNet به عنوان سلاح مخفی خود توسعه دهید.

آنچه این دوره را متمایز می کند، رویکرد عملی است که ما در سراسر آن اتخاذ می کنیم. شما نه تنها دانش نظری به دست خواهید آورد، بلکه فرصت های زیادی برای به کارگیری مهارت های خود به دست خواهید آورد. ما مجموعه‌ای از تمرین‌های جذاب و چالش‌های کدنویسی طراحی کرده‌ایم تا اطمینان حاصل کنیم که می‌توانید با اطمینان آنچه را که آموخته‌اید به کار ببرید.

چه مبتدی در یادگیری ماشینی باشید یا یک توسعه‌دهنده با تجربه که به دنبال گسترش مهارت‌های خود هستید، این دوره متناسب با نیازهای شما طراحی شده است. در پایان دوره، شما با TensorFlow.js پایه ای عملی در یادگیری انتقال خواهید داشت که به شما امکان می دهد پتانسیل کامل مدل های از پیش آموزش دیده را باز کنید و برنامه های پیچیده ای بسازید که از قدرت هوش مصنوعی استفاده می کنند.

اکنون ثبت نام کنید و این سفر هیجان انگیز را آغاز کنید تا یک متخصص یادگیری انتقال TensorFlow.js شوید!



سرفصل ها و درس ها

آشنایی با دوره ما Getting to know our course

  • جزئیات اولیه Initial details

  • دیدن یادگیری عمیق به صورت استعاری Seeing deep learning metaphorically

  • جزئیات نحوه انتقال یادگیری در دوره Details on how transfer learning is on the course

انتقال یادگیری Transfer learning

  • کلمات اولیه Initial words

  • یادگیری انتقالی چیست What is transfer learning

  • استخراج کننده های ویژگی برای انتقال یادگیری Feature extractors for transfer learning

  • انسان ها همچنین یادگیری انتقالی را انجام می دهند Humans also make transfer learning

  • یادگیری ماشین یک قانون یاب است! Machine learning is a rule finder!

ماشین قابل آموزش به عنوان یک پلت فرم یادگیری انتقالی Teachable Machine as a transfer learning platform

  • دسترسی به یادگیری انتقالی Making transfer learning accessable

استفاده از mobilenet به عنوان استخراج کننده ویژگی، و KNN به عنوان طبقه بندی کننده Using mobilenet as feature extractor, and KNN as classifier

  • Palavras iniciais Palavras iniciais

  • آماده شدن برای ایجاد پشته ویژگی برای یادگیری انتقال Getting ready to make the feature stack for transfer learning

  • ایجاد مدل ویژگی ما Creating our feature model

  • حل یک مشکل: موبایل نت کار نمی کند Solving a problem: mobilenet does not work

  • با استفاده از ویژگی های ما در مدل KNN Using our features on the KNN model

استفاده از مدل ویژگی مبتنی بر موبایل نت برای آموزش شبکه عصبی Using a feature model based on mobilenet for teaching a neural network

  • کلمات اولیه Initial words

  • آماده شدن برای انتقال یادگیری Getting ready to transfer learning

  • پیش کدهای آموزش از ویژگی ها Precodes for training from features

  • دریافت مدل ما برای استخراج ویژگی‌ها از تصاویر Getting our model to extract features from images

  • آموزش مدل ما از ویژگی های موبایل نت Training our model from features from mobilenet

  • با استفاده از مدل ما برای جدا کردن مارها از خرگوش ها Using our model to separate snakes from bunnies

  • پیشرفته: طبقه بندی مارها Advanced: snakes classifications

بخش بستن Closing section

  • سخنان پایانی Final words

نمایش نظرات

آموزش انتقال در انگولار
جزییات دوره
2.5 hours
21
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,002
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

Jorge Guerra Pires Jorge Guerra Pires

محقق مستقل، دکتری

TensorFlowjs Academy TensorFlowjs Academy

یادگیری ماشین در جاوا اسکریپت