آموزش شبکه های عصبی در پایتون: یادگیری عمیق برای مبتدیان

دانلود Neural Networks in Python: Deep Learning for Beginners

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش شبکه های عصبی مصنوعی (ANN) در پایتون. با استفاده از Keras & Tensorflow مدل های یادگیری عمیق پیش بینی کننده بسازید Python درک کاملی از شبکه‌های عصبی مصنوعی (ANN) و یادگیری عمیق را درک کنید سناریوهای تجاری را که در آن شبکه‌های عصبی مصنوعی (ANN) قابل استفاده است، ایجاد شبکه‌های عصبی مصنوعی (ANN) در پایتون استفاده از شبکه‌های عصبی مصنوعی (ANN) برای پیش‌بینی استفاده را بیاموزید. کتابخانه‌های Keras و Tensorflow از Pandas DataFrames برای دستکاری داده‌ها و ایجاد آمار استفاده می‌کنند. محاسبات پیش نیازها:دانش آموزان باید نرم افزار پایتون و آناکوندا را نصب کنند، اما ما یک سخنرانی جداگانه برای کمک به شما در نصب نرم افزارهای مشابه داریم.

شما به دنبال یک دوره کامل شبکه عصبی مصنوعی (ANN) هستید که هر آنچه را که برای ایجاد یک مدل شبکه عصبی در پایتون نیاز دارید به شما آموزش دهد، درست است؟

شما دوره مناسب شبکه های عصبی را پیدا کرده اید!

پس از تکمیل این دوره، شما قادر خواهید بود:

  • مشکل تجاری را که می توان با استفاده از مدل های شبکه عصبی حل کرد، شناسایی کنید.

  • درکی واضح از مفاهیم شبکه عصبی پیشرفته مانند Gradient Descent، Forward و Backward Propagation و غیره داشته باشید.

  • مدل های شبکه عصبی را در پایتون با استفاده از کتابخانه های Keras و Tensorflow ایجاد کنید و نتایج آنها را تجزیه و تحلیل کنید.

  • مفاهیم یادگیری عمیق را با اطمینان تمرین، بحث و درک کنید

این دوره چگونه به شما کمک خواهد کرد؟

یک گواهی پایان قابل تأیید به همه دانشجویانی که این دوره شبکه های عصبی را می گذرانند ارائه می شود.

اگر شما یک تحلیلگر کسب و کار یا یک مدیر اجرایی هستید، یا دانشجویی هستید که می خواهید یادگیری عمیق را در مسائل دنیای واقعی کسب و کار بیاموزید و به کار ببرید، این دوره با آموزش برخی از پیشرفته ترین مفاهیم، ​​پایه محکمی برای آن در اختیار شما قرار می دهد. شبکه‌های عصبی و پیاده‌سازی آن‌ها در پایتون بدون ریاضیات زیاد.

چرا باید این دوره را انتخاب کنید؟

این دوره تمام مراحلی را که باید برای ایجاد یک مدل پیش‌بینی با استفاده از شبکه‌های عصبی انجام داد، پوشش می‌دهد.

اکثر دوره‌ها فقط بر آموزش نحوه اجرای تجزیه و تحلیل تمرکز دارند، اما ما معتقدیم که داشتن یک درک نظری قوی از مفاهیم ما را قادر می‌سازد تا یک مدل خوب ایجاد کنیم. و پس از اجرای تجزیه و تحلیل، باید بتوان قضاوت کرد که مدل چقدر خوب است و نتایج را تفسیر کرد تا بتواند واقعاً به کسب و کار کمک کند.

چه چیزی ما را واجد شرایط آموزش به شما می کند؟

این دوره توسط آبیشک و پخراج تدریس می شود. ما به عنوان مدیران شرکت مشاوره گلوبال آنالیتیکس، به کسب‌وکارها کمک کرده‌ایم تا مشکل تجاری خود را با استفاده از تکنیک‌های یادگیری عمیق حل کنند و از تجربیات خود برای گنجاندن جنبه‌های عملی تجزیه و تحلیل داده‌ها در این دوره استفاده کرده‌ایم

ما همچنین خالق برخی از محبوب ترین دوره های آنلاین هستیم - با بیش از 250000 ثبت نام و هزاران بررسی 5 ستاره مانند این:

این خیلی خوب است، من عاشق این واقعیت هستم که تمام توضیحات ارائه شده توسط یک فرد غیر روحانی قابل درک است - جاشوا

با تشکر از نویسنده برای این دوره فوق العاده. شما بهترین هستید و این دوره به هر قیمتی ارزش دارد. - دیزی

قول ما

آموزش دانش آموزان وظیفه ماست و به آن متعهد هستیم. اگر در مورد محتوای دوره، برگه تمرین یا هر موضوعی مربوط به هر موضوعی سؤالی دارید، همیشه می توانید سؤالی را در دوره ارسال کنید یا برای ما پیام مستقیم ارسال کنید.

فایل‌های تمرین را دانلود کنید، در آزمون تمرینی شرکت کنید و تکالیف را تکمیل کنید

با هر سخنرانی، یادداشت‌های کلاسی ضمیمه شده است که می‌توانید آنها را دنبال کنید. همچنین می توانید برای بررسی درک خود از مفاهیم در آزمون تمرینی شرکت کنید. یک تکلیف عملی نهایی برای شما وجود دارد که یادگیری خود را به صورت عملی پیاده سازی کنید.

چه چیزی در این دوره پوشش داده می شود؟

این دوره تمام مراحل ایجاد یک مدل مبتنی بر شبکه عصبی یعنی یک مدل یادگیری عمیق را برای حل مشکلات تجاری به شما آموزش می دهد.

در زیر محتوای دوره این دوره در ANN آمده است:

  • قسمت 1 - مبانی پایتون

    این قسمت شما را با پایتون شروع می کند.

    این قسمت به شما کمک می‌کند تا محیط پایتون و ژوپیتر را روی سیستم خود راه‌اندازی کنید و به شما یاد می‌دهد که چگونه برخی از عملیات اساسی را در پایتون انجام دهید. ما اهمیت کتابخانه های مختلف مانند Numpy، Pandas Seaborn را درک خواهیم کرد.

  • قسمت 2 - مفاهیم نظری

    این بخش به شما درک کاملی از مفاهیم درگیر در شبکه های عصبی می دهد.

    در این بخش با سلول های تک یا پرسپترون ها و نحوه چیدمان پرسپترون ها برای ایجاد یک معماری شبکه آشنا خواهید شد. پس از تنظیم معماری، الگوریتم Gradient descent را می‌فهمیم تا مینیمم یک تابع را پیدا کنیم و یاد بگیریم که چگونه از آن برای بهینه‌سازی مدل شبکه‌مان استفاده می‌شود.

  • قسمت 3 - ایجاد مدل ANN رگرسیون و طبقه بندی در پایتون

    در این قسمت نحوه ایجاد مدل های ANN در پایتون را خواهید آموخت.

    این بخش را با ایجاد یک مدل ANN با استفاده از Sequential API برای حل یک مشکل طبقه بندی شروع می کنیم. ما یاد می گیریم که چگونه معماری شبکه را تعریف کنیم، مدل را پیکربندی کنیم و مدل را آموزش دهیم. سپس عملکرد مدل آموزش دیده خود را ارزیابی می کنیم و از آن برای پیش بینی داده های جدید استفاده می کنیم. ما همچنین یک مشکل رگرسیونی را حل می کنیم که در آن سعی می کنیم قیمت خانه را در یک مکان پیش بینی کنیم. همچنین نحوه ایجاد معماری های ANN پیچیده با استفاده از API عملکردی را پوشش خواهیم داد. در آخر نحوه ذخیره و بازیابی مدل ها را یاد می گیریم.

    ما همچنین اهمیت کتابخانه‌هایی مانند Keras و TensorFlow را در این بخش درک می‌کنیم.

  • قسمت 4 - پیش پردازش داده

    در این قسمت شما می آموزید که چه اقداماتی باید انجام دهید تا داده ها را برای تجزیه و تحلیل آماده کنید، این مراحل برای ایجاد یک معنادار بسیار مهم هستند.

    در این بخش، با تئوری پایه درخت تصمیم شروع می‌کنیم، سپس موضوعات پیش‌پردازش داده‌ها مانند مقدار گمشده، تبدیل متغیر و تقسیم Test-Train را پوشش می‌دهیم.

  • قسمت 5 - تکنیک ML کلاسیک - رگرسیون خطی
    این بخش با رگرسیون خطی ساده شروع می شود و سپس رگرسیون خطی چندگانه را پوشش می دهد.

    ما تئوری اصلی هر مفهوم را بدون اینکه بیش از حد ریاضی در مورد آن انجام دهیم پوشش داده ایم تا شما

    درک کنید که این مفهوم از کجا می آید و چگونه مهم است. اما حتی اگر نفهمید

    تا زمانی که یاد بگیرید چگونه اجرا کنید و نتیجه را همانطور که در سخنرانی های عملی آموزش داده شده است تفسیر کنید، مشکلی ندارد.

    ما همچنین به نحوه کمی سازی دقت مدل ها، معنی آماره F چیست، چگونه متغیرهای طبقه بندی شده در مجموعه داده های متغیرهای مستقل در نتایج تفسیر می شوند و چگونه در نهایت نتیجه را برای یافتن پاسخ یک تجارت تفسیر می کنیم، بررسی می کنیم. مشکل.

در پایان این دوره، اعتماد شما به ایجاد یک مدل شبکه عصبی در پایتون افزایش می یابد. شما درک کاملی از نحوه استفاده از ANN برای ایجاد مدل های پیش بینی و حل مشکلات تجاری خواهید داشت.


ادامه دهید و روی دکمه ثبت نام کلیک کنید، و من شما را در درس 1 می بینم!


به سلامتی

Start-Tech Academy


------------

در زیر برخی از پرسش‌های متداول رایج دانش‌آموزانی که می‌خواهند سفر یادگیری عمیق خود را شروع کنند، آورده شده است-


چرا از پایتون برای یادگیری عمیق استفاده کنیم؟

درک Python یکی از مهارت‌های ارزشمند مورد نیاز برای یک حرفه در یادگیری عمیق است.

اگرچه همیشه اینطور نبوده است، پایتون زبان برنامه نویسی انتخابی برای علم داده است. این یک تاریخچه مختصر است:

در سال 2016، از R در Kaggle، پلتفرم برتر مسابقات علم داده، پیشی گرفت.

در سال 2017، در نظرسنجی سالانه KDNuggets از ابزارهای پرکاربرد دانشمندان داده، از R پیشی گرفت.

در سال 2018، 66 درصد از دانشمندان داده گزارش کردند که از پایتون روزانه استفاده می کنند، که آن را به ابزار شماره یک برای متخصصان تجزیه و تحلیل تبدیل می کند.

کارشناسان یادگیری عمیق انتظار دارند این روند با افزایش توسعه در اکوسیستم پایتون ادامه یابد. و در حالی که سفر شما برای یادگیری برنامه نویسی پایتون ممکن است تازه شروع شده باشد، خوب است بدانید که فرصت های شغلی فراوان (و در حال رشد) نیز هستند.

تفاوت بین داده کاوی، یادگیری ماشینی و یادگیری عمیق چیست؟

به زبان ساده، یادگیری ماشین و داده کاوی از الگوریتم ها و تکنیک های مشابه داده کاوی استفاده می کنند، به جز اینکه انواع پیش بینی ها متفاوت است. در حالی که داده کاوی الگوها و دانش ناشناخته قبلی را کشف می کند، یادگیری ماشین الگوها و دانش شناخته شده را بازتولید می کند - و بیشتر به طور خودکار این اطلاعات را در داده ها، تصمیم گیری ها و اقدامات اعمال می کند.

از سوی دیگر، یادگیری عمیق از قدرت محاسباتی پیشرفته و انواع خاصی از شبکه‌های عصبی استفاده می‌کند و آن‌ها را در مقادیر زیادی از داده‌ها برای یادگیری، درک و شناسایی الگوهای پیچیده به کار می‌برد. ترجمه خودکار زبان و تشخیص های پزشکی نمونه هایی از یادگیری عمیق هستند.


سرفصل ها و درس ها

معرفی Introduction

  • به دوره خوش آمدید Welcome to the course

  • مقدمه ای بر شبکه های عصبی و جریان دوره Introduction to Neural Networks and Course flow

  • منابع دوره Course Resources

  • منابع دوره Course resources

  • این یک نقطه عطف است! This is a milestone!

تنظیم Python و Jupyter Notebook Setting up Python and Jupyter Notebook

  • نصب پایتون و آناکوندا Installing Python and Anaconda

  • افتتاح نوت بوک Jupyter Opening Jupyter Notebook

  • مقدمه ای بر ژوپیتر Introduction to Jupyter

  • عملگرهای حسابی در پایتون Arithmetic operators in Python

  • عملگرهای حساب در Python: Python Basics Arithmetic operators in Python: Python Basics

  • رشته ها در پایتون: مبانی پایتون Strings in Python: Python Basics

  • تمرین کدنویسی سریع روی عملگرهای حسابی Quick coding exercise on arithmetic operators

  • لیست ها ، راهنماها و راهنماها: مبانی پایتون Lists, Tuples and Directories: Python Basics

  • تمرین کدنویسی سریع در عملیات رشته Quick coding exercise on String operations

  • کار با Numpy Library of Python Working with Numpy Library of Python

  • کار با کتابخانه Pandas پایتون Working with Pandas Library of Python

  • تمرین کدنویسی سریع در Tuples Quick coding exercise on Tuples

  • کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python

  • امتحان Quiz

تک سلولها - Perceptron و Sigmoid Neuron Single Cells - Perceptron and Sigmoid Neuron

  • پرسپترون Perceptron

  • توابع فعال سازی Activation Functions

  • پایتون - ایجاد مدل Perceptron Python - Creating Perceptron model

  • امتحان Quiz

کتابخانه های مهم پایتون Important Python Libraries

  • کار با کتابخانه Numpy پایتون Working with Numpy Library of Python

  • تمرین کدنویسی سریع در کتابخانه NumPy Quick coding exercise on NumPy Library

  • کار با Pandas Library of Python Working with Pandas Library of Python

  • تمرین کدنویسی سریع در کتابخانه پانداها Quick coding exercise on Pandas Library

  • کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python

  • فایل پایتون برای تمرین بیشتر Python file for additional practice

شبکه های عصبی - انباشته سلول ها برای ایجاد شبکه Neural Networks - Stacking cells to create network

  • اصطلاحات اساسی Basic Terminologies

  • شیب نزولی Gradient Descent

  • تبلیغات عقب Back Propagation

  • امتحان Quiz

ادغام ChatGPT با پایتون Integrating ChatGPT with Python

  • ادغام ChatGPT با نوت بوک Jupyter Integrating ChatGPT with Jupyter Notebook

مفاهیم مهم: سوالات رایج مصاحبه Important concepts: Common Interview questions

  • برخی از مفاهیم مهم Some Important Concepts

  • مسابقه Quiz

پارامترهای مدل استاندارد Standard Model Parameters

  • ابرپارامترها Hyperparameters

  • مسابقه Quiz

آزمون تمرینی Practice Test

  • تست مفهومی خود را تست کنید Test your conceptual understanding

تنسورفلو و کراس Tensorflow and Keras

  • Keras و Tensorflow Keras and Tensorflow

  • نصب Tensorflow و Keras Installing Tensorflow and Keras

  • امتحان Quiz

Python - مجموعه داده برای مشکل طبقه بندی Python - Dataset for classification problem

  • مجموعه داده برای طبقه بندی Dataset for classification

  • نرمال سازی و تقسیم Test-Train Normalization and Test-Train split

  • اطلاعات بیشتر در مورد تقسیم تست قطار More about test-train split

Python - ساخت و آموزش مدل Python - Building and training the Model

  • روش های مختلف ایجاد ANN با استفاده از Keras Different ways to create ANN using Keras

  • ساخت شبکه عصبی با استفاده از Keras Building the Neural Network using Keras

  • تدوین و آموزش مدل شبکه عصبی Compiling and Training the Neural Network model

  • ارزیابی عملکرد و پیش بینی با استفاده از Keras Evaluating performance and Predicting using Keras

Python - حل مسئله رگرسیون با استفاده از ANN Python - Solving a Regression problem using ANN

  • ایجاد شبکه عصبی برای مسئله رگرسیون Building Neural Network for Regression Problem

معماری های پیچیده ANN با استفاده از API عملکردی Complex ANN Architectures using Functional API

  • استفاده از API عملکردی برای معماری های پیچیده Using Functional API for complex architectures

ذخیره و بازیابی مدل ها Saving and Restoring Models

  • ذخیره - بازیابی مدل ها و استفاده از برگشت Saving - Restoring Models and Using Callbacks

تنظیم Hyperparameter Hyperparameter Tuning

  • تنظیم Hyperparameter Hyperparameter Tuning

افزودنی 1: پیش پردازش داده ها Add-on 1: Data Preprocessing

  • جمع آوری دانش تجارت Gathering Business Knowledge

  • اکتشاف داده Data Exploration

  • Dataset و فرهنگ لغت داده The Dataset and the Data Dictionary

  • منابع الحاقی Add-on Resources

  • وارد کردن داده در پایتون Importing Data in Python

  • تحلیل تک متغیری و EDD Univariate analysis and EDD

  • EDD در پایتون EDD in Python

  • درمان دور از دسترس Outlier Treatment

  • درمان دور از دسترس در پایتون Outlier Treatment in Python

  • ارزش محو شده از دست رفته است Missing Value Imputation

  • ارزش از دست رفته در پایتون Missing Value Imputation in Python

  • فصلی بودن در داده ها Seasonality in Data

  • تحلیل دو متغیره و تحول متغیر Bi-variate analysis and Variable transformation

  • تغییر و حذف متغیر در پایتون Variable transformation and deletion in Python

  • متغیرهای غیرقابل استفاده Non-usable variables

  • ساخت متغیر ساختگی: مدیریت داده های کیفی Dummy variable creation: Handling qualitative data

  • ساخت متغیر ساختگی در پایتون Dummy variable creation in Python

  • تجزیه و تحلیل همبستگی Correlation Analysis

  • تحلیل همبستگی در پایتون Correlation Analysis in Python

  • امتحان Quiz

افزودنی 2: مدلهای کلاسیک ML - رگرسیون خطی Add-on 2: Classic ML models - Linear Regression

  • بیانیه مسئله The Problem Statement

  • روش معادلات اساسی و حداقل مربعات معمولی (OLS) Basic Equations and Ordinary Least Squares (OLS) method

  • ارزیابی صحت ضرایب پیش بینی شده Assessing accuracy of predicted coefficients

  • ارزیابی دقت مدل: RSE و R در مربع Assessing Model Accuracy: RSE and R squared

  • رگرسیون خطی ساده در پایتون Simple Linear Regression in Python

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • آمار F The F - statistic

  • تفسیر نتایج متغیرهای طبقه ای Interpreting results of Categorical variables

  • رگرسیون خطی چندگانه در پایتون Multiple Linear Regression in Python

  • تقسیم تست قطار Test-train split

  • معامله واریانس بایاس Bias Variance trade-off

  • تقسیم قطار آزمایشی در پایتون Test train split in Python

تکلیف تمرین کنید Practice Assignment

  • واگذاری طبقه بندی شبکه های عصبی Neural Networks Classification Assignment

  • سوالات جامع آماده سازی مصاحبه Comprehensive Interview Preparation Questions

بخش پاداش Bonus Section

  • نقطه عطف نهایی! The final milestone!

  • تبریک می گوییم و در مورد گواهی خود Congratulations & About your certificate

تبریک و بابت گواهینامه شما Congratulations & about your certificate

  • نقطه عطف نهایی! The final milestone!

  • در مورد گواهی شما About your certificate

  • سخنرانی پاداش Bonus lecture

نمایش نظرات

آموزش شبکه های عصبی در پایتون: یادگیری عمیق برای مبتدیان
جزییات دوره
9.5 hours
71
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
129,952
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Start-Tech Academy Start-Tech Academy

بیش از 1،700،000+ ثبت نام | 4+ رتبه بندی شده | 160+ CountriesStart-Tech Academy یک شرکت آموزش تجزیه و تحلیل مبتنی بر فناوری است و هدف آن گردآوری شرکتهای تحلیلی و فراگیران علاقه مند است. محتوای آموزشی با کیفیت بالا به همراه کارآموزی و فرصت های پروژه به دانشجویان در شروع سفر Analytics خود کمک می کند. بنیانگذار Abhishek Bansal و Pukhraj Parikh است. Pukhraj که به عنوان مدیر پروژه در یک شرکت مشاوره آنالیز کار می کند ، چندین سال تجربه کار بر روی ابزارها و نرم افزارهای تجزیه و تحلیل را دارد. او در مجموعه های اداری MS ، رایانش ابری ، SQL ، Tableau ، SAS ، Google analytics و Python مهارت دارد. Abhishek قبل از اینکه به فن آوری های یادگیری و آموزش مانند یادگیری ماشین و هوش مصنوعی بپردازد ، به عنوان یک مالک فرآیند اکتساب در یک شرکت مخابراتی پیشرو کار می کرد.