Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
در حال بارگزاری، لطفا صبر کنید...
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
نمایش نظرات