لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق احتمالی با TensorFlow 2
- آخرین آپدیت
دانلود Probabilistic Deep Learning with TensorFlow 2
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
به دوره جامع یادگیری عمیق احتمالی (Probabilistic Deep Learning) با TensorFlow خوش آمدید!
این دوره بر پایه مفاهیم و مهارتهای بنیادین TensorFlow که در دو دوره ابتدایی این تخصص آموزش داده شده است، بنا شده و تمرکز اصلی آن بر رویکرد احتمالی در یادگیری عمیق است. این حوزه که اهمیت روزافزونی یافته، هدف آن کمیسازی نویز و عدم قطعیت است که معمولاً در مجموعهدادههای دنیای واقعی وجود دارد. این موضوع در کاربردهای حساس مانند خودروهای خودران یا تشخیصهای پزشکی حیاتی است؛ چرا که مدل باید بداند چه زمانی با عدم قطعیت روبروست و چه چیزی را نمیداند.
شما خواهید آموخت که چگونه مدلهای احتمالی را با TensorFlow توسعه دهید و بهطور ویژه از کتابخانه TensorFlow Probability استفاده کنید که برای ترکیب آسان مدلهای احتمالی با یادگیری عمیق طراحی شده است. به همین دلیل، این دوره را میتوان به عنوان مقدمهای جامع بر کتابخانه TensorFlow Probability نیز در نظر گرفت.
در این مسیر، یاد میگیرید که توزیعهای احتمالی چگونه میتوانند نمایش داده شوند و در مدلهای یادگیری عمیق TensorFlow ادغام گردند؛ مواردی از جمله شبکههای عصبی بیزی (Bayesian neural networks)، جریانهای نرمالساز (Normalising flows) و اتوانکودرهای متغیر (Variational Autoencoders). همچنین نحوه توسعه مدلهایی برای کمیسازی عدم قطعیت و مدلهای مولد (Generative Models) برای خلق نمونههای جدید مشابه دادههای آموزشی (مانند تصاویر چهرهها) را فرا خواهید گرفت.
مفاهیم آموخته شده را بلافاصله در آموزشهای عملی کدنویسی که توسط دستیار آموزشی ارشد هدایت میشوند، پیادهسازی خواهید کرد. علاوه بر این، مجموعهای از تکالیف برنامهنویسی با تصحیح خودکار برای تثبیت مهارتهای شما در نظر گرفته شده است.
در پایان دوره، تمامی مفاهیم را در یک پروژه نهایی (Capstone Project) به کار خواهید بست و یک الگوریتم اتوانکودر متغیر برای تولید مدل مولد از یک مجموعهداده تصاویر مصنوعی که خودتان ایجاد کردهاید، توسعه خواهید داد.
این دوره در ادامه دو دوره قبلی یعنی «شروع کار با TensorFlow 2» و «سفارشیسازی مدلها با TensorFlow 2» قرار دارد. پیشنیاز ضروری برای موفقیت در این دوره، داشتن پایه قوی در احتمال و آمار است؛ بهویژه آشنایی با توزیعهای احتمالی استاندارد، توابع چگالی احتمال و مفاهیمی چون تخمین بیشینه احتمال (MLE)، فرمول تغییر متغیر برای متغیرهای تصادفی و کران پایین شواهد (ELBO) در استنتاج متغیر.
سرفصل ها و درس ها
توزیعهای تنسورفلو
TensorFlow Distributions
خوشآمدگویی به یادگیری عمیق احتمالی با TensorFlow 2
Welcome to Probabilistic Deep Learning with TensorFlow 2
مصاحبه با پیج بیلی
Interview with Paige Bailey
کتابخانه TensorFlow Probability
The TensorFlow Probability library
نمایش نظرات