لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مقدمه ای بر یادگیری عمیق
Introduction to Deep Learning
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این آموزش مقدماتی در سطح مقدماتی برای یادگیری عمیق، دانشمندان داده های جوان را برای شروع اجرای راه حل های یادگیری عمیق متناسب با نیازهای منحصر به فرد سازمان شما آماده می کند.
این مقدمه برای یادگیری عمیق پایه محکمی را در اصول اساسی یادگیری عمیق فراهم میکند، و شما را قادر میسازد تا انواع مختلفی از مشکلات را در روشهای مختلف داده، از جمله دادههای تصویری با استفاده از تکنیکهای بینایی رایانه (CV)، دادههای متنی با استفاده از پردازش زبان طبیعی حل کنید. (NLP)، و داده های سری زمانی برای پیش بینی از داده های تاریخی.
پس از تکمیل این آموزش مقدمه ای بر یادگیری عمیق، مهارت های لازم برای مقابله با چالش های دنیای واقعی را با استفاده از تکنیک های یادگیری عمیق در این حوزه ها خواهید داشت.
برای هر کسی که دانشمند داده جوان در تیم خود دارد، از این آموزش علوم داده میتوان برای ورود به دانشمندان دادههای جوان جدید، که در برنامههای آموزشی فردی یا تیمی مدیریت میشوند، یا بهعنوان منبع مرجع علم داده استفاده کرد.
پس از تکمیل این آموزش مقدمه یادگیری عمیق، میدانید که چگونه روشها و تکنیکهای یادگیری عمیق را به خوبی توصیف کنید تا بتوانید راهحلهای یادگیری عمیق را برای نیازهای منحصربهفرد سازمان خود پیادهسازی کنید.
برای هر کسی که دانشمند داده جوان در تیم خود دارد، از این آموزش علوم داده میتوان برای ورود به دانشمندان دادههای جوان جدید، که در برنامههای آموزشی فردی یا تیمی مدیریت میشوند، یا بهعنوان منبع مرجع علم داده استفاده کرد.
مقدمه ای بر یادگیری عمیق: آنچه باید بدانید
این آموزش مقدمه ای بر یادگیری عمیق دارای ویدئوهایی است که موضوعاتی از جمله:
را پوشش می دهد
ایجاد محیط های توسعه مبتنی بر ابر با منابع CUDA
با استفاده از کتابخانه TensorFlow برای یادگیری عمیق مدل ایجاد کنید
طبقهبندیکنندههای تصویر را با استفاده از تکنیکهای بینایی کامپیوتری (CV) مانند CNN، RNN، و LSTM بسازید.
طبقهبندیهای متن را با استفاده از تکنیکهای پردازش زبان طبیعی (NLP) برای برچسبگذاری متن برای تجزیه و تحلیل احساسات، تشخیص هرزنامه، و تولید متن بسازید.
مدلهایی بسازید که از دادههای سری زمانی برای پیشبینیها استفاده میکنند و پیشبینی دقیق را برای تجزیه و تحلیل بازار سهام، پیشبینی فروش، مدیریت ریسک، و برنامهریزی زنجیره تأمین ممکن میسازد.
چه کسی باید آموزش یادگیری عمیق را معرفی کند؟
این آموزش مقدمه ای بر یادگیری عمیق، آموزش علوم داده در سطح دانشیار در نظر گرفته می شود، به این معنی که برای دانشمندان داده جوان طراحی شده است. این دوره آموزشی مهارتهای یادگیری عمیق برای متخصصان جدید فناوری اطلاعات با حداقل یک سال تجربه در زمینه علم داده و دانشمندان باتجربه دادهای که به دنبال تأیید مهارتهای علم داده خود هستند، ارزشمند است.
دانشمندان داده جدید یا مشتاق. اگر شما یک دانشمند داده کاملاً جدید هستید، از این دوره یادگیری عمیق می توان برای شروع حرفه خود استفاده کرد. یادگیری عمیق در حال حاضر انقلابی در علم داده و روش استفاده از آن در شرکت ها و سازمان ها ایجاد کرده است. این دوره را بگذرانید و میتوانید به جای اینکه موج بر سرتان بیفتد، سوار آن شوید.
دانشمندان داده باتجربه.دانشمندان داده با چند سال تجربه احتمالاً بارها با ابزارهای یادگیری عمیق یا پیاده سازی مواجه شده اند. حتی ممکن است به تنهایی با آنها مبارزه کرده باشید. این مقدمه برای یادگیری عمیق شما را راهنمایی می کند که چه زمانی و چگونه از ابزارهای یادگیری عمیق به طور موثر استفاده کنید، مهارت شما را افزایش می دهد و ارزش قابل توجهی برای سازمان شما به ارمغان می آورد.
سرفصل ها و درس ها
مقایسه شبکه های عصبی عمیق و کانولوشنال
Compare Deep and Convolutional Neural Networks
CNN ها را در یک مرورگر کاوش کنید
Explore CNNs in a Browser
شبکه های عصبی عمیق (DNN)
Deep Neural Networks (DNNs)
شبکه های عصبی عمیق (DNN)
Deep Neural Networks (DNNs)
شبکه های عصبی کانولوشن (CNN)
Convolutional Neural Networks (CNNs)
خلاصه DNN و CNN
DNN and CNN Summary
چالش
Challenge
مفاهیم بنیادی یادگیری عمیق را کاوش کنید
Explore Deep Learning Foundational Concepts
معرفی
Introduction
مبانی شبکه عصبی
Neural Network Basics
شبکه های عصبی کانولوشن (CNN)
Convolutional Neural Networks (CNNs)
پردازش زبان طبیعی (NLP)
Natural Language Processing (NLP)
شبکه های عصبی عمیق (DNN)
Deep Neural Networks (DNNs)
چالش
Challenge
شبکه های عصبی کانولوشن (CNN)
Convolutional Neural Networks (CNNs)
یک محیط توسعه یادگیری عمیق راه اندازی کنید
Set Up a Deep Learning Development Environment
ساخت مدل پیشبینی DNN پایه
Build Baseline DNN Forecasting Model
معماری مدل LSTM/CNN را مرور کنید
Review LSTM/CNN Model Architecture
🎉 چالش: ساخت مدل پیش بینی LSTM/CNN
🎉 CHALLENGE: Build LSTM/CNN Forecasting Model
سری های زمانی را با DNN، RNN و LSTM کاوش کنید
Explore Time Series with DNN, RNN, and LSTM
معماری مدل DNN را مرور کنید
Review DNN Model Architecture
🎉 چالش 1: ساخت مدل پیش بینی DNN
🎉 CHALLENGE 1: Build DNN Forecasting Model
معماری مدل RNN را مرور کنید
Review RNN Model Architecture
🎉 چالش 2: ساخت مدل پیش بینی RNN
🎉 CHALLENGE 2: Build RNN Forecasting Model
معماری مدل LSTM را مرور کنید
Review LSTM Model Architecture
🎉 چالش 3: ساخت مدل پیش بینی LSTM
🎉 CHALLENGE 3: Build LSTM Forecasting Model
نمایش نظرات
CBT Nuggets یک شرکت آموزشی آنلاین است که در زمینه فناوری اطلاعات (IT) و مدیریت پروژه تخصص دارد. این شرکت دورههای آموزشی متنوعی را در زمینههای مختلف از جمله شبکههای کامپیوتری، امنیت سایبری، سیستمهای عامل، و برنامهنویسی ارائه میدهد. محتوای آموزشی CBT Nuggets به صورت ویدئوهای آموزشی کوتاه و کاربردی طراحی شده است که توسط کارشناسان و مدرسان مجرب تدریس میشوند.
"کمک به متخصصان داده در مورد داده ها و دیدن موفقیت آنها یکی از بزرگترین علایق من به عنوان یک مربی است. من دوست دارم یاد بگیرم، دانش خود را به اشتراک بگذارم و به دیگران کمک کنم تا موفق شوند - به همین دلیل است که من مشتاق هستم که یک مربی در CBT Nuggets باشم. " جاناتان کار خود را به عنوان یک توسعه دهنده کامل شروع کرد و به سرعت علاقه مند شد تا تجربه آموزش آنلاین خود را با علم داده و دانش یادگیری ماشین خود ترکیب کند. جاناتان یک برنامه نویس، مربی تجزیه و تحلیل داده ها، و نویسنده برنامه درسی برای چندین پلتفرم آموزش آنلاین پیشرو بوده است و هیجان زده است که مهارت ها و تجربه آموزشی خود را با پزشکان مشتاق داده در CBT Nuggets به اشتراک بگذارد.
توسعه نرم افزار کامل، تجزیه و تحلیل داده، علم داده، یادگیری ماشین و فناوری های ابری مانند AWS و Google Cloud. HTML، CSS، جاوا اسکریپت، PHP، Python، SQL، NoSQL، و فریمورکها/کتابخانههایی مانند Laravel، Vue، Tailwind، React، Gatsby، Django، NumPy، پانداها، Matplotlilb، Scrappy، BeautifulSoup، SciPy-Soup، SciPy، Seaborn، Learn، Tensorflow و PySpark.
نمایش نظرات