لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
[جدید] 2024: تسلط بر یادگیری عمیق با Tensorflow2.x و Keras
[NEW] 2024: Deep Learning Mastery With Tensorflow2.x & Keras
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
Tensorflow-2 Keras FFN, CNN, RNN, LSTM, GRU, GAN, Autoencoder, Transfer Learning, Data Augmentation, Text/Image Model DEEP LEARNING TENSORFLOW KERAS AUTOENCODER شبکه عصبی کانولوشنال (CNN) شبکه عصبی تکراری (RNN) حافظه ترم) واحد بازگشتی دردار (GRU) Keras Callbacks/Points Checking/Early stoping Generative adversarial networks (GANs) KERAS لایه های پیش پردازش تقویت داده ها تصویر و مولدهای داده جاسازی های کلمه طبقه بندی متن طبقه بندی برچسب گذاری تصویر طبقه بندی تصویر شرح تصویر Generation TransferM Basachine Learning پیشها: نیازها:
Data Scientist به عنوان شغل شماره یک در Glassdoor رتبه بندی شده است و طبق Indeed میانگین حقوق یک دانشمند داده در ایالات متحده بیش از 120000 دلار است! علم داده یک حرفه پربار است که به شما امکان می دهد برخی از جالب ترین مشکلات جهان را حل کنید!
این دوره برای تمرینکنندگان ML طراحی شده است که میخواهند مهارتهای خود را افزایش دهند و با یادگیری عمیق از نردبان بالا بروند!
این دوره به این منظور ساخته شده است که در ابتدای سفر شما تمام دانش مورد نیاز را به شما بدهد تا مجبور نباشید به عقب برگردید و در جای دیگری دوباره به موضوعات نگاه کنید. این دوره با تمام دانش، نکات و ترفندهایی که برای کار در فضای یادگیری عمیق به آن نیاز دارید، مقصد نهایی است.
راهنمای مفصلی در مورد Tensorflow و Keras به همراه دانش عمیق الگوریتمهای یادگیری عمیق ارائه میدهد. تمام الگوریتم ها به طور مفصل پوشش داده شده اند تا زبان آموز درک خوبی از مفاهیم به دست آورد. برای تبدیل یک مدل خوب به یک مدل عالی، باید درک روشنی از آنچه در پشت صحنه می گذرد داشته باشد. این دوره شما را قادر می سازد تا معماری های پیچیده یادگیری عمیق را به راحتی توسعه دهید و عملکرد مدل خود را با چندین نکته و ترفند بهبود بخشید.
الگوریتم های یادگیری عمیق تحت پوشش:
1. شبکههای پیشخور (FFN)
2. شبکه های عصبی کانولوشن (CNN)
3. شبکه های عصبی تکراری (RNN)
4. شبکه های حافظه کوتاه مدت بلند مدت (LSTM)
5. واحد بازگشتی دردار (GRU)
6. رمزگذارهای خودکار
7. انتقال یادگیری
8. شبکه های متخاصم مولد (GAN)
سفر عجیب و غریب ما شامل مفاهیم زیر خواهد بود:
1. مهمترین مفاهیم Tensorflow و Keras از خیلی ابتدایی.
2. دو روش ساخت مدل یعنی API ترتیبی و عملکردی.
3. همه اجزای سازنده مدلهای یادگیری عمیق با جزئیات توضیح داده شدهاند تا دانشآموزان را قادر میسازد تا در حین آموزش مدل خود و بهبود عملکرد مدل تصمیم بگیرند.
4. یادگیری عملی الگوریتمهای یادگیری عمیق از سطح مبتدی به طوری که همه میتوانند معماریهای مدل ساده تا پیچیده را با چشمانداز و رویکرد حل مسئله روشن به راحتی بسازند.
5. همه مفاهیمی که برای چرخه عمر ساخت مدل و رویکرد حل مسئله نیاز دارید.
6. افزایش و تولید دادهها با استفاده از لایهها و ژنراتورهای پیشپردازش Keras با تمام نکات و ترفندهای واقعی به شما برتری میدهد که فقط دانش مقدماتی دارد که معمولاً در دورههای مبتدی ارائه نمیشود.
7. تمرین عملی روی تعداد زیادی از مجموعه دادهها برای شروع سریع و مزیت یادگیری کار بر روی مجموعه دادهها و مشکلات مختلف.
8. تکالیف با توضیحات و راه حل های دقیق پس از همه موضوعات به شما امکان می دهد در حال حرکت خود را ارزیابی و بهبود دهید.
9. پروژه سطح پیشرفته را انجام دهید تا بتوانید مهارت های خود را آزمایش کنید.
در این سفر شگفت انگیز با ما، در یادگیری عمیق مهارت کسب کنید! ما شما را در داخل دوره خواهیم دید!
سرفصل ها و درس ها
مقدمه
Introduction
معرفی دوره
Course Introduction
02 مقدمه ای بر تنسورفلو و کراس
02 Introduction to Tensorflow and Keras
03 راه اندازی Google Collab
03 Google Collab setup
تنسورفلو
Tensorflow
04 تنسور شهود
04 Tensors Intuition
05 تنسورها آن را کد می کنند!
05 Tensors Code it!
06 کد پایه تانسورها
06 Tensors Basics Code
07 متغیرهای Tensorflow
07 Tensorflow Variables
08 تمرین و راه حل های تانسورها و متغیرها
08 Tensors & Variables Exercise & Solutions
09 اجرای Eager Vs Graph
09 Eager Vs Graph execution
10 Tf_function دکوراتور
10 Tf_function Decorator
مبانی توسعه مدل یادگیری عمیق
Deep Learning Model Development Basics
11 شبکه های عصبی شهودی
11 Intuition Neural Networks
12_شبکه عصبی
12_NeuralNetworks
13 رویکرد به مشکلات یادگیری عمیق
13 Approach to Deep Learning problems
14 چرخه عمر مدل 5 مرحله
14 Lifecycle of model 5 steps
15 API متوالی در مقابل عملکردی
15 Sequential Vs Functional API
چگونه اولین مدل یادگیری عمیق را پیاده سازی کنیم؟
How to implement First Deep Learning Model?
نمایش نظرات