آموزش یک برنامه‌نویس حرفه‌ای دارای گواهی TensorFlow شوید

دانلود Become a TensorFlow Certified Professional Developer

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: به بهترین زمین آموزشی برای تسلط بر هوش مصنوعی بپیوندید و مهارت‌هایی را که برای تبدیل شدن به یک برنامه‌نویس معتبر TensorFlow نیاز دارید، به دست آورید. درک اصول یادگیری عمیق با استفاده از TensorFlow و Keras سه مدل یادگیری عمیق متفاوت بسازید. برای افزایش عملکرد مدل، از تقویت تصویر و انتقال یادگیری استفاده کنید. از استراتژی هایی برای جلوگیری از برازش بیش از حد استفاده کنید، از جمله افزایش و ترک تحصیل. متن را از طریق نشانه گذاری و نمایش بردار جمله پردازش کنید. استفاده از شبکه‌های عصبی بازگشتی (RNN)، واحدهای بازگشتی دردار (GRU) و شبکه‌های حافظه کوتاه‌مدت بلند مدت (LSTM) در وظایف NLP ایجاد مدل‌های مبتنی بر دستگاه با TensorFlow Lite پیش نیازها: دانش اولیه برنامه‌نویسی توصیه می‌شود. مقداری تجربه در یادگیری ماشین نیز ارجح است اما لازم نیست.

در این دوره شما هر آنچه را که برای تسلط بر گواهینامه توسعه دهنده TensorFlow نیاز دارید، یاد خواهید گرفت.


ما با مطالعه عمیق یادگیری عمیق شروع می‌کنیم تا بتوانید نحوه عملکرد و یادگیری شبکه‌های عصبی مصنوعی را درک کنید. و در حالی که نظریه یادگیری عمیق را پوشش می‌دهیم، سه مدل مختلف یادگیری عمیق را در TensorFlow و Keras، از ابتدا، گام به گام، و کدگذاری تک‌خط کد با هم، با هم خواهیم ساخت.


سپس، به Computer Vision می‌رویم، جایی که نحوه طبقه‌بندی تصاویر را با استفاده از کانولوشن با TensorFlow یاد خواهید گرفت. شما همچنین تکنیک هایی مانند تقویت تصویر و انتقال یادگیری را یاد خواهید گرفت تا عملکرد بیشتری در وظایف بینایی رایانه خود داشته باشید. و ما همه اینها را روی داده‌های تصویر دنیای واقعی تمرین می‌کنیم، در حالی که استراتژی‌هایی را برای جلوگیری از تطبیق بیش از حد، از جمله افزایش و حذف، بررسی می‌کنیم.

سپس، نحوه استفاده از جاوا اسکریپت را به منظور آموزش و اجرای استنتاج در مرورگر، مدیریت داده‌ها در مرورگر، و حتی ساخت یک مدل طبقه‌بندی و تشخیص اشیا با استفاده از وب‌کم، یاد خواهید گرفت.

سپس یاد خواهید گرفت که چگونه پردازش زبان طبیعی را با استفاده از TensorFlow انجام دهید. در اینجا ما سیستم‌های پردازش زبان طبیعی را می‌سازیم، متن را پردازش می‌کنیم، از جمله توکن‌سازی و نمایش جملات به‌عنوان بردار، RNN، GRU و LSTM را در TensorFlow اعمال می‌کنیم، و LSTM‌ها را بر روی متن موجود برای ایجاد شعر اصلی و موارد دیگر آموزش می‌دهیم.

و در نهایت، نحوه ساخت مدل‌های مبتنی بر دستگاه با TensorFlow Lite را نیز یاد خواهید گرفت. در این بخش آخر، مدل‌هایی را برای دستگاه‌های باتری‌دار آماده می‌کنیم، مدل‌ها را روی پلتفرم‌های اندروید و iOS اجرا می‌کنیم و مدل‌ها را در سیستم‌های جاسازی شده مانند Raspberry Pi و میکروکنترلرها مستقر می‌کنیم.

این دوره برای چه کسانی است:

این دوره برای متخصصان هوش مصنوعی، دانشمندان مشتاق داده، علاقه مندان به فناوری و مشاورانی که مایل به گذراندن گواهینامه توسعه دهنده TensorFlow هستند، هدف گذاری شده است. در اینجا لیستی از افرادی که این دوره آموزشی برای آنها برگزار می شود آمده است:

  • دانشمندان داده که به سادگی می خواهند نحوه استفاده از TensorFlow را در سطح پیشرفته بیاموزند.

  • دانشمندان داده که می‌خواهند گواهینامه توسعه‌دهنده TensorFlow را دریافت کنند.

  • متخصصین هوش مصنوعی که می خواهند با استفاده از TensorFlow مدل های هوش مصنوعی قدرتمندتری بسازند.

  • علاقه‌مندان به فناوری که مشتاق هوش مصنوعی هستند و می‌خواهند با TensorFlow تجربه عملی در دنیای واقعی کسب کنند.

پیش نیازهای دوره:

دانش اولیه برنامه نویسی توصیه می شود. مقداری تجربه در یادگیری ماشین نیز ترجیح داده می شود. با این حال، این موضوعات به طور گسترده در طول سخنرانی های دوره اولیه پوشش داده خواهد شد. بنابراین، این دوره هیچ پیش نیازی ندارد و برای هر کسی که دانش اولیه برنامه نویسی داشته باشد آزاد است. دانش‌آموزانی که در این دوره ثبت‌نام می‌کنند، بر مبانی علم داده تسلط پیدا می‌کنند و مستقیماً این مهارت‌ها را برای حل مسائل چالش برانگیز دنیای واقعی به کار می‌گیرند.

*شرایط ضمانت آزمون:

Ligency Ventures Pty Ltd، U.K ضمانت زیر را برای دوره گواهینامه حرفه ای توسعه دهنده TensorFlow ارائه می دهد:

اگر در مدت 30 روز پس از ثبت نام و تکمیل این دوره به طور 100% در آزمون TensorFlow Developer Certificate شرکت کنید و در امتحان شرکت کنید و نمره بالاتر از صفر، اما کمتر از حداقل نمره لازم برای قبولی در آزمون دریافت کنید، Ligency Ventures Pty Ltd. ، انگلستان هزینه امتحان دوم شما را به شرط داشتن شرایط زیر پرداخت می کند: شما حداقل 1 دلار برای این دوره پرداخت کرده اید و بازپرداخت نشده است، و قبل از شرکت در امتحان، با جدیت تمام آموزش های دوره را تماشا و دنبال کرده اید. (تمام مطالعات موردی را تکمیل کردید و همه کدها را در حساب Google Colab خود دارید)، و همه فعالیت‌های عملی از جمله چالش‌های موجود در بخش‌ها، آزمون‌ها، تمرین‌های تکالیف و تمام آزمون‌های تمرینی ارائه شده را انجام دادید.

Ligency Ventures Pty Ltd ممکن است شواهدی مبنی بر انجام شرایط فوق درخواست کند، بنابراین مهم است که هنگام شرکت در دوره و انجام تکالیف عملی، کار خود را ذخیره کنید.


سرفصل ها و درس ها

بخش 0: مقدمه ای بر دوره Part 0: Introduction To The Course

  • مقدمه دوره Introduction to the Course

  • تماس و سوالات Contact and Questions

بخش اول: شبکه های عصبی مصنوعی Part 1: Artificial Neural Networks

  • مقدمه Intro

  • مطالب دوره را دریافت کنید Get course materials

  • طرح حمله Plan of Attack

  • عملکرد نورون انسانی Functioning of the Human Neuron

  • شبکه های عصبی چگونه کار می کنند؟ How Neural Networks Work?

  • تابع فعال سازی Activation Function

  • شبکه های عصبی چگونه یاد می گیرند؟ How Neural Networks Learn?

  • گرادیان نزول Gradient Descent

  • نزول گرادیان تصادفی Stochastic Gradient Descent

  • پس انتشار Back-Propagation

  • یک ANN با TensorFlow در 5 مرحله از ابتدا بسازید - مرحله 1 Build an ANN with TensorFlow in 5 Steps From Scratch - Step 1

  • یک ANN با TensorFlow در 5 مرحله از ابتدا بسازید - مرحله 2 Build an ANN with TensorFlow in 5 Steps From Scratch - Step 2

  • یک ANN با TensorFlow در 5 مرحله از ابتدا بسازید - مرحله 3 Build an ANN with TensorFlow in 5 Steps From Scratch - Step 3

  • یک ANN با TensorFlow در 5 مرحله از ابتدا بسازید - مرحله 4 Build an ANN with TensorFlow in 5 Steps From Scratch - Step 4

  • یک ANN با TensorFlow در 5 مرحله از ابتدا بسازید - مرحله 5 Build an ANN with TensorFlow in 5 Steps From Scratch - Step 5

بخش 2: شبکه های عصبی کانولوشنال Part 2: Convolutional Neural Networks

  • مقدمه Intro

  • طرح حمله Plan of Attack

  • شبکه های عصبی کانولوشن چیست؟ What are Convolutional Neural Networks

  • مرحله 1: عملیات پیچیدگی Step 1: The Convolution Operation

  • مرحله 1 (قسمت B): لایه ReLU Step 1 (Part B): ReLU Layer

  • مرحله 2: ادغام Step 2: Pooling

  • مرحله 3: صاف کردن Step 3: Flattening

  • مرحله 4: اتصال کامل Step 4: Full Connection

  • خلاصه Summary

  • تابع فعال سازی سافت مکس و عملکرد تلفات متقابل آنتروپی Softmax Activation Function & Cross-Entropy Loss Function

  • ساخت CNN با TensorFlow در 5 مرحله از ابتدا - مرحله 1 Build a CNN with TensorFlow in 5 Steps From Scratch - Step 1

  • ساخت CNN با TensorFlow در 5 مرحله از ابتدا - مرحله 2 Build a CNN with TensorFlow in 5 Steps From Scratch - Step 2

  • ساخت CNN با TensorFlow در 5 مرحله از ابتدا - مرحله 3 Build a CNN with TensorFlow in 5 Steps From Scratch - Step 3

  • ساخت CNN با TensorFlow در 5 مرحله از ابتدا - مرحله 4 Build a CNN with TensorFlow in 5 Steps From Scratch - Step 4

  • ساخت CNN با TensorFlow در 5 مرحله از ابتدا - مرحله 5 Build a CNN with TensorFlow in 5 Steps From Scratch - Step 5

  • نسخه ی نمایشی Demo

بخش 3: شبکه های عصبی مکرر Part 3: Recurrent Neural Networks

  • مقدمه Intro

  • طرح حمله Plan of Attack

  • شبکه های عصبی مکرر Recurrent Neural Networks

  • مشکل ناپدید شدن گرادیان Vanishing Gradient Problem

  • LSTM ها و نحوه کار آنها LSTMs and How They Work

  • شهود عملی Practical Intuition

  • تغییرات LSTM LSTM Variations

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 1 Build a RNN with TensorFlow in 15 steps from scratch - Step 1

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 2 Build a RNN with TensorFlow in 15 steps from scratch - Step 2

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 3 Build a RNN with TensorFlow in 15 steps from scratch - Step 3

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 4 Build a RNN with TensorFlow in 15 steps from scratch - Step 4

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 5 Build a RNN with TensorFlow in 15 steps from scratch - Step 5

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 6 Build a RNN with TensorFlow in 15 steps from scratch - Step 6

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 7 Build a RNN with TensorFlow in 15 steps from scratch - Step 7

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 8 Build a RNN with TensorFlow in 15 steps from scratch - Step 8

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 9 Build a RNN with TensorFlow in 15 steps from scratch - Step 9

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 10 Build a RNN with TensorFlow in 15 steps from scratch - Step 10

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 11 Build a RNN with TensorFlow in 15 steps from scratch - Step 11

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 12 Build a RNN with TensorFlow in 15 steps from scratch - Step 12

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 13 Build a RNN with TensorFlow in 15 steps from scratch - Step 13

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 14 Build a RNN with TensorFlow in 15 steps from scratch - Step 14

  • یک RNN با TensorFlow در 15 مرحله از ابتدا بسازید - مرحله 15 Build a RNN with TensorFlow in 15 steps from scratch - Step 15

بخش 4: مقدمه ای بر بینایی کامپیوتر Part 4: Intro to Computer Vision

  • مقدمه Intro

  • مقدمه ای بر بینایی کامپیوتر Introduction to Computer Vision

  • کد برای بارگذاری داده های آموزشی برای یک کار بینایی کامپیوتری Code to Load Training Data For a Computer Vision Task

  • کدگذاری اولین شبکه عصبی کامپیوتری ویژن Code a First Computer Vision Neural Network

  • نحوه استفاده از Callbacks برای کنترل آموزش How to Use Callbacks to Control The Training

قسمت 5: تسلط بر کانولوشن ها Part 5: Mastering Convolutions

  • مقدمه Intro

  • عمیق تر در پیچیدگی ها فرو بروید Dive deeper into convolutions

  • طبقه بندی مد با پیچش های پیشرفته تر Fashion classifier with more advanced convolutions

  • مجموعه داده جدید با همان پیچیدگی های پیشرفته تر و بهبود بیشتر از طریق New dataset with same more advanced convolutions and further improvement through

قسمت 6: تصاویر پیچیده تر Part 6: More Complex Images

  • مقدمه Intro

  • Image Generator ImageGenerator

  • ConvNet برای استفاده در تصاویر پیچیده و نحوه آموزش آن با fit_generator ConvNet to use on complex images and how to train it with fit_generator

قسمت 7: تصاویر بیشتر از دنیای واقعی Part 7: More Real-World Images

  • مقدمه Intro

  • ConvNet را برای تصاویر دنیای واقعی بسازید و آموزش دهید Build and train the ConvNet for Real-World Images

  • اعتبار سنجی خودکار برای آزمایش و بهبود دقت و همچنین تأثیر Automatic validation to test and improve the accuracy, as well as the impact of

قسمت 8: تقویت تصویر Part 8: Image Augmentation

  • مقدمه Intro

  • عمیق تر به تقویت تصویر شیرجه بزنید Dive deeper into image augmentation

  • تکنیک افزایش کد با ImageDataGenerator به دست می آید Code gain the augmentation technique with ImageDataGenerator

  • آن را به مجموعه داده های گربه ها در مقابل سگ ها اضافه کنید Add that to the cats vs. dogs dataset

  • همین کار را در مجموعه داده اسب در مقابل انسان انجام دهید Do the same on the horses vs. humans dataset

بخش 9: آموزش انتقال Part 9: Transfer Learning

  • مقدمه Intro

  • مفهوم یادگیری انتقالی Concept of transfer learning

  • یادگیری را از حالت آغازین انتقال دهید و از انصراف ها برای کاهش اضافه کردن استفاده کنید Transfer learning from the inception mode and use dropouts to reduce overfitting

  • با استفاده از ویژگی های منتقل شده، مدل خود را کدگذاری کنید Code our own model by using transferred features

بخش 10: طبقه بندی چند طبقه Part 10: Multi-Class Classification

  • مقدمه Intro

  • حرکت از طبقه‌بندی باینری به طبقه‌بندی چند طبقه و قیچی کاغذ سنگ Moving from binary to multi-class classification and the Rock Paper Scissors dat

  • یک طبقه‌بندی‌کننده را با قیچی کاغذ راک آموزش دهید و همان طبقه‌بندی‌کننده را آزمایش کنید Train a classifier with Rock Paper Scissors and test that same classifier

بخش 11: بینایی کامپیوتر در جاوا اسکریپت Part 11: Computer Vision in JavaScript

  • مقدمه Intro

  • یک شبکه Convolutional با جاوا اسکریپت ایجاد کنید Create a Convolutional Net with JavaScript

  • فرآیند آموزش را تجسم کنید Visualize the Training Process

  • نحوه استفاده از Sprite Sheet و سپس tf.tidy() برای ذخیره حافظه How to use the Sprite Sheet, and then tf.tidy() to Save Memory

قسمت 12: استفاده مجدد از مدل های موجود در جاوا اسکریپت Part 12: Reusing Existing Models in JavaScript

  • مقدمه Intro

  • مدل های از پیش آموزش دیده TensorFlow.js و طبقه بندی کننده سمیت، از جمله در کد Pre-trained TensorFlow.js models and toxicity Classifier, including in code

  • MobileNet با استفاده از TensorFlow.js و MobileNet Example در کد MobileNet using TensorFlow.js and MobileNet Example In Code

  • نحوه تبدیل مدل ها به جاوا اسکریپت How to convert Models to JavaScript

قسمت 13: آموزش انتقال در جاوا اسکریپت Part 13: Transfer Learning in JavaScript

  • مقدمه Intro

  • نحوه آموزش مجدد مدل MobileNet با استفاده از Transfer Learning How to retrain the MobileNet Model using Transfer Learning

  • نحوه گرفتن داده ها برای آموزش مجدد شبکه How to capture the Data to train again the network

  • نحوه انجام استنتاج How to performing Inference

قسمت 14: مقدمه ای بر NLP - توکن سازی و توالی ها Part 14: Introduction to NLP - Tokenization and Sequences

  • مقدمه Intro

  • مقدمه ای بر NLP و نحوه عملکرد رمزگذاری های مبتنی بر کلمه Introduction to NLP and how word based encodings work

  • چگونه با استفاده از توکنایزر از متنی به دنباله دیگر برویم How to go from text to sequence using the tokenizer

  • نحوه عملکرد padding، هنوز در مرحله پیش پردازش متون How padding works, still in the process of preprocessing texts

قسمت 15: مقدمه ای بر NLP - Embeddings Part 15: Introduction to NLP - Embeddings

  • مقدمه Intro

  • مقدمه ای بر Embeddings Introduction to Embeddings

  • مجموعه داده های IMDB برای بررسی جزئیات جاسازی ها IMDB dataset to look into the details of embeddings

  • یک طبقه بندی برای مجموعه داده طعنه آمیز بسازید Build a classifier for the sarcasm dataset

قسمت 16: مقدمه ای بر NLP - بررسی مدل های تکرارشونده Part 16: Introduction to NLP - Exploring Recurrent Models

  • مقدمه Intro

  • مدل‌های تکراری مورد استفاده برای NLP، کاربرد و پیاده‌سازی LSTMs به NLP Recurrent Models used for NLP, application and implementation of LSTMs to NLP

  • سعی کنید از یک شبکه عصبی کانولوشنال برای NLP استفاده کنید Try using a convolutional neural network for NLP

بخش 17: ایجاد متن با RNN Part 17: Create Text With RNNs

  • مقدمه Intro

  • تولید متن با RNN Text generation with RNNs

  • RNN ها را روی برخی از داده های متنی آموزش دهید تا کلمه بعدی را در یک دنباله پیدا کنید Train RNNs on some text data to find what the next word should be in a sequence

  • سعی کنید با استفاده از RNN ها شعر بسازید Try to do poetry by using RNNs

قسمت 18: توالی و پیش بینی Part 18: Sequences and Prediction

  • مقدمه Intro

  • درک سری های زمانی، و نحوه تقسیم آنها به قطار، اعتبارسنجی الف Understanding of time series, and how to split them into the train, validation a

  • معیارهای مختلف برای ارزیابی عملکرد سری های زمانی، مفاهیم حرکت Different metrics for evaluating performance of time series, concepts of moving

قسمت 19: پیش بینی توالی با یادگیری ماشینی Part 19: Predicting Sequences With Machine Learning

  • مقدمه Intro

  • نحوه اعمال ML به سری های زمانی و آماده سازی ویژگی ها و برچسب ها How ML is applied to time series and preparation the features and labels

  • نحوه تغذیه یک مجموعه داده پنجره‌دار به شبکه عصبی و همچنین کاربرد و How to feed a windowed dataset into a neural network, as well as application and

  • آموزش شبکه عصبی عمیق، تنظیم آن و پیش بینی Training a deep neural network, tuning it, and making prediction

بخش 20: استفاده از RNN با دنباله ها Part 20: Using RNNs With Sequences

  • مقدمه Intro

  • نحوه استفاده از RNN با دنباله ها و شکل ورودی ها چگونه باید باشد How RNNs are used with sequences and what must be the shape of the inputs

  • خروجی یک دنباله، لایه های لامبدا برای بهبود عملکرد و یادگیری موش Output a sequence, Lambda layers to improve the performance and the learning rat

  • نحوه استفاده از LSTM با توالی های مشابه How to use the LSTM with the same sequences

قسمت 21: سریال زمان واقعی Part 21: Real-World Time Series

  • مقدمه Intro

  • استفاده از کانولوشن برای سری های زمانی دنیای واقعی و LSTM های دو جهته برای واقعی Use of convolutions for real-world time series and Bi-directional LSTMs for real

  • روی داده های واقعی درباره لکه های خورشیدی کار کنید و مدل را آموزش دهید و تنظیم کنید Work on real data about sunspots and train and tune the model

  • پیش بینی خواهد کرد Will make predictions

آزمون گواهینامه واقعی تنسورفلو 1 Real TensorFlow Certification Exam 1

  • درس 1 Lesson 1

  • درس 2 Lesson 2

  • درس 3 Lesson 3

  • درس 4 Lesson 4

  • درس 5 Lesson 5

آزمون گواهینامه واقعی تنسورفلو 2 Real TensorFlow Certification Exam 2

  • درس 1 Lesson 1

  • درس 2 Lesson 2

  • درس 3 Lesson 3

  • درس 4 Lesson 4

  • درس 5 Lesson 5

آزمون گواهینامه واقعی تنسورفلو 3 Real TensorFlow Certification Exam 3

  • درس 1 Lesson 1

  • درس 2 Lesson 2

  • درس 3 Lesson 3

  • درس 4 Lesson 4

  • درس 5 Lesson 5

دوره اضافی: مقدمه ای بر TensorFlow Lite Course Extra: Introduction to TensorFlow Lite

  • به روز رسانی سریع Quick Update

  • مقدمه Intro

  • ویژگی ها و اجزای TensorFlow Lite (شامل معماری و عملکرد)، op TensorFlow Lite features and components (incl. architecture and performance), op

  • نحوه ذخیره، تبدیل و بهینه سازی یک مدل و همچنین معرفی TF-Select How to save, convert, and optimize a model, as well as introduction to TF-Select

  • نحوه تبدیل یک مدل به TFLite و نحوه انجام آموزش انتقال با TFLite How to convert a model to TFLite and how to do Transfer Learning with TFLite

دوره اضافی: TF Lite و Android Course Extra: TF Lite and Android

  • مقدمه Intro

  • آشنایی با TF Lite با اندروید و معماری یک مدل در اندروید Introduction to TF Lite with Android and architecture of a model in Android

  • نحوه مقداردهی اولیه مترجم How to initialize the Interpreter

دوره اضافی: TF Lite و iOS Course Extra: TF Lite and iOS

  • مقدمه Intro

  • معرفی TF Lite با iOS، Swift و TF Lite Swift Introduction to TF Lite with iOS, Swift and TF Lite Swift

  • راه اندازی مفسر، آماده سازی ورودی ها، انجام استنتاج و گرفتن Initializing the interpreter, preparing the inputs, doing inference and getting

دوره اضافی: TF Lite و Micro Systems Course Extra: TF Lite and Micro Systems

  • مقدمه Intro

  • مقدمه ای بر TF Lite با سیستم های میکرو Introduction to TF Lite with Micro Systems

  • نحوه شروع کار بر روی Raspberry Pi و نشان دادن این موضوع با Image classifica How to start working on a Raspberry Pi and illustrate this with Image classifica

  • راه اندازی مفسر، آماده سازی ورودی ها، انجام استنتاج و گرفتن Initializing the interpreter, preparing the inputs, doing inference and getting

نمایش نظرات

آموزش یک برنامه‌نویس حرفه‌ای دارای گواهی TensorFlow شوید
جزییات دوره
18 hours
154
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
117
5 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

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

TFC Course TFC Course

Tensorflow Insructor در Udemy