[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?

  • 16 API متوالی 16 Sequential API

  • 17 API عملکردی 17 Functional API

  • 18_ML problem_Cost_Gradient_CV 18_ML problem_Cost_Gradient_CV

  • 19 توابع فعال سازی 19 Activation Functions

  • 20 بهینه ساز 20 Optimizers

  • 21 توابع از دست دادن 21 Loss functions

  • 22 معیارهای عملکرد 22 Performance Metrics

  • 23 نکته برای بهبود عملکرد مدل 23 Tips for Improving Model Performance

شبکه های فید فوروارد Feed Forward Networks

  • ۲۴ پیاده‌سازی شبکه فید فوروارد و فراخوان Keras 24 Feed Forward Network Implementation and Keras Callbacks

شبکه عصبی کانولوشنال (CNN) CONVOLUTIONAL NEURAL NETWORK (CNN)

  • 25 معرفی CNN 25 Intro to CNN

  • 26 اجرای CNN 26 CNN implementation

  • 27 CNN Exercise -2 مشکل 27 CNN Exercise -2 Problem

  • 28 CNN Exercise -2 راه حل 28 CNN Exercise -2 Solution

  • 29 CNN Exercise -3 مشکل 29 CNN Exercise -3 Problem

  • 30 CNN Exercise -3 راه حل 30 CNN Exercise -3 Solution

لایه های پیش پردازش Keras Keras Preprocessing Layers

  • 31_Keras Preprocessing Layers Intro 31_Keras Preprocessing Layers Intro

  • 32_Keras Preprocessing Layers Image Augmentation Code 32_Keras Preprocessing Layers Image Augmentation Code

  • 33_Keras Preprocessing Layers Text Preprocessing Code 33_Keras Preprocessing Layers Text Preprocessing Code

  • 34 تمرین لایه های پیش پردازش Keras 34 Keras Preprocessing Layers Exercise

  • 35 راه حل لایه های پیش پردازش Keras 35 Keras Preprocessing Layers Solution

آموزش انتقالی Transfer Learning

  • 36 آموزش انتقال 36 Transfer Learning

  • 37 انتقال کد یادگیری 37 Transfer Learning code

  • 38 مجموعه داده های Xray تمرین یادگیری انتقال 38 Transfer Learning Exercise Xray Dataset

  • 39 راه حل یادگیری انتقال XrayDataset 39 Transfer Learning Solution XrayDataset

مدل های ترتیبی (داده های عددی) Sequential Models (Numeric Data)

  • RNN توضیح داد RNN Explained

  • LSTM و GRU توضیح داده شده است LSTM & GRU Explained

  • 41 سری زمانی تک متغیره RNN LSTM 41 RNN LSTM Univariate Time Series

  • 42 سری زمانی چندگانه RNN LSTM 42 RNN LSTM Multiple Time Series

مدل‌های متوالی (داده‌های متنی) Sequential Models (Text Data)

  • 43 نوع تعبیه متن 43 types of Text embeddings

  • 44 جاسازی متن وارد می شود 44 Text embeddings importing

  • 45 RNN LSTM جاسازی متن برای طبقه بندی 45 RNN LSTM Text embedding for classification

رمزگذارهای خودکار Autoencoders

  • 46 رمزگذار خودکار 46 Autoencoder

  • 47 کاهش ابعاد رمزگذار خودکار 47 Autoencoder Dimensionality Reduction

  • 48 تمرین تشخیص ناهنجاری Autoencoder 48 Autoencoder Anomaly detection exercise

  • 49 راه حل تشخیص ناهنجاری Autoencoder 49 Autoencoder Anomaly detection solution

شبکه های متخاصم مولد (GAN) GENERATIVE ADVERSARIAL NETWORKS (GANs)

  • 50 GANs مقدمه 50 GANs Introduction

  • 51 جزء GANs 51 GANs components

  • آموزش 52 GANs 52 GANs Training

  • 53 برنامه GANs مزایا و معایب 53 GANs Applications Pros & Cons

  • اجرای 54 GANs 54 GANs implementation

پروژه کپستون CAPSTONE Project

  • مشکل شرح تصاویر پروژه Project Image Captioning Problem

  • راه حل شرح تصویر پروژه قسمت 1 Project Image Captioning Solution Part-1

  • راه حل شرح تصویر پروژه قسمت 2 Project Image Captioning Solution Part-2

  • راه حل شرح تصویر پروژه قسمت 3 Project Image Captioning Solution Part-3

مجموعه داده ها Datasets

  • مجموعه داده تصاویر گربه سگ Cat Dog images Datasets

  • مجموعه داده Xray Xray Dataset

  • مجموعه داده های CSV CSV Datasets

نمایش نظرات

[جدید] 2024: تسلط بر یادگیری عمیق با Tensorflow2.x و Keras
جزییات دوره
22.5 hours
62
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
590
4.6 از 5
دارد
دارد
دارد
MG Analytics
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

MG Analytics MG Analytics

دانشمند داده و مربی حرفه ای