آموزش یادگیری عمیق: شروع به کار

Deep Learning: Getting Started

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری عمیق به عنوان یک فناوری در چند سال اخیر رشد چشمگیری داشته است. راه‌حل‌های هوش مصنوعی بیشتر و بیشتر از یادگیری عمیق به عنوان فناوری پایه خود استفاده می‌کنند. با این حال، مطالعه این فناوری دارای چالش‌های متعددی است. بیشتر منابع یادگیری ریاضی سنگینی هستند و بدون داشتن مهارت های ریاضی خوب به سختی می توان آنها را جستجو کرد. متخصصان فناوری اطلاعات برای یادگیری مفاهیم و ساخت سریع مدل ها به یک منبع ساده نیاز دارند. هدف این دوره ارائه یک مسیر ساده برای مطالعه اصول یادگیری عمیق و رسیدن سریع به بهره‌وری است. مربی Kumaran Ponnambalam با مقدمه ای بر یادگیری عمیق، از جمله شبکه های عصبی مصنوعی و معماری ها شروع می کند. او در میان بلوک‌های ساختمانی مختلف شبکه‌های عصبی با توضیحات ساده و قابل درک حرکت می‌کند. کوماران همچنین کدی را در Keras برای پیاده سازی این بلوک های ساختمانی ایجاد می کند. سپس با یک تمرین انتها به انتها همه را جمع می کند. در نهایت، آنچه را که یاد گرفتید با یک مشکل یادگیری عمیق آزمایش کنید و راه حل خود را با کوماران مقایسه کنید.

سرفصل ها و درس ها

معرفی Introduction

  • شروع با یادگیری عمیق Getting started with deep learning

  • پیش نیازهای دوره Prerequisites for the course

  • راه اندازی محیط زیست Setting up the environment

1. مقدمه ای بر یادگیری عمیق 1. Introduction to Deep Learning

  • یادگیری عمیق چیست؟ What is deep learning?

  • رگرسیون خطی Linear regression

  • قیاسی برای یادگیری عمیق An analogy for deep learning

  • پرسپترون The perceptron

  • شبکه های عصبی مصنوعی Artificial neural networks

  • آموزش ANN Training an ANN

  • امتحان فصل Chapter Quiz

2. معماری شبکه های عصبی 2. Neural Network Architecture

  • لایه ورودی The input layer

  • لایه های پنهان Hidden layers

  • وزن ها و سوگیری ها Weights and biases

  • توابع فعال سازی Activation functions

  • لایه خروجی The output layer

  • امتحان فصل Chapter Quiz

3. آموزش شبکه عصبی 3. Training a Neural Network

  • راه اندازی و مقداردهی اولیه Setup and initialization

  • انتشار رو به جلو Forward propagation

  • اندازه گیری دقت و خطا Measuring accuracy and error

  • انتشار به پشت Back propagation

  • تبار گرادیان Gradient descent

  • دسته ها و دوره ها Batches and epochs

  • اعتبار سنجی و آزمایش Validation and testing

  • یک مدل ANN An ANN model

  • امتحان فصل Chapter Quiz

4. یادگیری عمیق مثال 1 4. Deep Learning Example 1

  • مشکل طبقه بندی زنبق The Iris classification problem

  • پیش پردازش ورودی Input preprocessing

  • ایجاد یک مدل یادگیری عمیق Creating a deep learning model

  • آموزش و ارزشیابی Training and evaluation

  • ذخیره و بارگذاری مدل ها Saving and loading models

  • پیش بینی با مدل های یادگیری عمیق Predictions with deep learning models

5. مثال یادگیری عمیق 2 5. Deep Learning Example 2

  • مشکل طبقه بندی هرزنامه Spam classification problem

  • ایجاد نمایش متن Creating text representations

  • ساخت مدل اسپم Building a spam model

  • پیش بینی برای متن Predictions for text

6. تمرین یادگیری عمیق 6. Deep Learning Exercise

  • بیان مسئله تمرین Exercise problem statement

  • پیش پردازش داده های RCA Preprocessing RCA data

  • ساخت مدل RCA Building the RCA model

  • پیش بینی علل ریشه ای با یادگیری عمیق Predicting root causes with deep learning

نتیجه Conclusion

  • آموزش یادگیری عمیق خود را گسترش دهید Extending your deep learning education

نمایش نظرات

آموزش یادگیری عمیق: شروع به کار
جزییات دوره
1h 8m
40
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- 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

Kumaran Ponnambalam Kumaran Ponnambalam

اختصاص به آموزش علوم داده

V2 Maestros به آموزش علوم داده و داده های بزرگ با هزینه های مقرون به صرفه برای جهان اختصاص دارد. مربیان ما تجربه دنیای واقعی در تمرین علم داده و ارائه نتایج تجاری دارند. علم داده یک حوزه داغ و در حال رخ دادن در صنعت فناوری اطلاعات است. متأسفانه منابع موجود برای یادگیری این مهارت به سختی یافت می شود و گران است. امیدواریم این مشکل را با ارائه آموزش باکیفیت با نرخ های مقرون به صرفه، با ایجاد استعدادهای علم داده در سراسر جهان، کاهش دهیم.