آموزش مقدمه ای بر یادگیری عمیق

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

• معرفی Introduction

• گوگل کولب Google Colab

• آناکوندا و کوندا Anaconda and Conda

• نوت بوک ژوپیتر Jupyter Notebook

• PyCharm PyCharm

• PyCharm PyCharm

• چالش Challenge

مفاهیم بنیادی بینایی کامپیوتر را کاوش کنید Explore Computer Vision Foundational Concepts

• معرفی Introduction

• CV را با مجموعه داده مد MNIST کاوش کنید Explore CV with the fashion MNIST dataset

• SoftMax چگونه کار می کند؟ How does SoftMax work?

• عادی سازی و استانداردسازی Normalizing and Standardization

• چالش Challenge

شبکه های عصبی کانولوشنال TensorFlow را بررسی کنید Examine TensorFlow Convolutional Neural Networks

• معرفی Introduction

• مجموعه داده بارگذاری و EDA MNIST Load & EDA MNIST Dataset

• تماس های تلفنی Callbacks

• پیچیدگی و ادغام Convolution & Pooling

• چالش Challenge

با TensorFlow یک مدل بینایی کامپیوتری بسازید Build a Computer Vision Model with TensorFlow

• مجموعه داده Food 101 را در Kaggle کاوش کنید Explore the Food 101 dataset on Kaggle

• مجموعه داده سوشی رامن اصلاح شده را کاوش کنید Explore the modified ramen sushi dataset

• مجموعه داده را با استفاده از ImageDataGenerator بارگیری کنید Load dataset using ImageDataGenerator

• چالش Challenge

بهبود عملکرد مدل CNN با TensorFlow Improve CNN Model Performance with TensorFlow

• مدل پایه Baseline Model

• مدل CNN CNN Model

• بهبودها Improvements

• چالش Challenge

داده های تصویر دنیای واقعی را با TensorFlow دریافت کنید Ingest Real-world Image Data with TensorFlow

• سناریوی دنیای واقعی: اثبات مفهوم ماشین قابل آموزش Real-world scenario: Teachable Machine Proof of Concept

• سناریوی دنیای واقعی: به دست آوردن و آپلود تصاویر Real-world scenario: Acquire and Upload Images

• چالش Challenge

برای جلوگیری از تطبیق بیش از حد CNN با TensorFlow تجسم کنید Visualize to Avoid CNN Overfitting with TensorFlow

• Overfitting را کاوش کنید Explore Overfitting

• بارگذاری مجموعه داده Load Dataset

• چالش 1: ساخت و آموزش یک مدل پایه از شبه کد Challenge 1: Build and Train a Baseline Model from Pseudocode

• منحنی های آموزش طرح Plot Training Curves

• کاهش بیش از حد برازش Reducing Overfitting

• چالش Challenge

الگوریتمی برای طبقه بندی تصاویر سگ یا گربه بنویسید Write an Algorithm to Classify Dog or Cat Images

• بررسی اجمالی چالش Milestone Kaggle Kaggle Milestone Challenge Overview

• مجموعه داده را با ImageDataGenerator بارگیری کنید Load Dataset with ImageDataGenerator

• چالش Challenge

با TensorFlow یک طبقه بندی CNN چند کلاسه بسازید Build a Multi-Class CNN Classifier with TensorFlow

• طبقه بندی باینری تا چند کلاسه | EDA Binary to Multi-Class Classification | EDA

• چالش نقطه عطف 1 Milestone Challenge 1

استفاده مجدد از مدل های از پیش آموزش دیده تنسورفلو هاب Kaggle Reuse Pre-Trained TensorFlow Hub Models of Kaggle

• آموزش انتقال، استخراج ویژگی، و تنظیم دقیق را مرور کنید Review Transfer Learning, Feature Extraction, and Fine-Tuning

• مجموعه داده Food_10 را مرور کنید Review Food_10 Dataset

• بررسی مدل های از پیش آموزش دیده Exploring Pre-Trained Models

• آموزش انتقال، استخراج ویژگی و تنظیم دقیق را اعمال کنید Apply Transfer Learning, Feature Extraction, and Fine-tuning

• چالش Challenge

آموزش انتقال را با TensorFlow کاوش کنید Explore Transfer Learning with TensorFlow

• Dataset و Clone Repo را از CBTN GitHub کاوش کنید Explore Dataset and Clone Repo from CBTN GitHub

• مجموعه داده قطار را برای کاهش آماده کنید Prepare Train Dataset for Reduction

• مجموعه داده قطار را تا 90 درصد کاهش دهید و فقط 10 درصد نگه دارید Reduce Train Dataset by 90% and Only Keep 10%

• چالش CHALLENGE

از تماس های مختلف برای آموزش انتقال استفاده کنید Leverage Various Callbacks for Transfer Learning

• مجموعه داده‌های غذای کاهش‌یافته 10 را مرور کنید (10%) Review Reduced Food 10 Dataset (10%)

• تماس های سفارشی Custom Callbacks

• تماس های TensorBoard TensorBoard Callbacks

• تماس های ایست بازرسی Checkpoint Callbacks

• توقف زودهنگام تماس های تلفنی Early Stopping Callbacks

• لیست های برگشت به تماس Callback Lists

• چالش CHALLENGE

ساخت مدل های استخراج ویژگی TensorFlow Hub Build TensorFlow Hub Feature Extraction Models

• کلون و ایجاد مجموعه داده کاهش یافته Food_10 Clone and Create Reduced Food_10 Dataset

• افزایش داده را اعمال کنید Apply Data Augmentation

• یک تابع سفارشی برای ساخت مدل های Keras به سادگی با استفاده از URL ها ایجاد کنید 🎉 Create a custom function to build Keras models simply using URLs 🎉

• resnet_model را بسازید، کامپایل کنید و آموزش دهید Build, compile, and train resnet_model

• چالش Challenge

مدل های از پیش آموزش دیده ResNet و EfficientNet را مقایسه کنید Compare ResNet and EfficientNet Pre-Trained Models

• مجموعه داده های Reduced Food_10 را برای آموزش انتقال کاوش کنید Explore Reduced Food_10 Dataset for Transfer Learning

• توابع سفارشی قابل استفاده مجدد را برای آزمایش سریع ایجاد کنید Create re-useable custom functions for rapid testing

• توابع سفارشی را از مخزن CBT Nuggets GitHub وارد کنید Import custom functions from CBT Nuggets GitHub repo

• چالش دوگانه 🚀🚀 Double Challenge 🚀🚀

• یک مدل tensorflow/resnet از ابتدا بسازید Build a tensorflow/resnet model from scratch

• یک مدل tensorflow/efficientnet از ابتدا بسازید Build a tensorflow/efficientnet model from scratch

پیاده سازی تنظیم دقیق با مدل های تنسورفلو هاب Implement Fine-Tuning with TensorFlow Hub Models

• Fine-Tuning را کاوش کنید Explore Fine-Tuning

• مجموعه داده Food_10 را کاوش کنید Explore Food_10 Dataset

• توابع سفارشی را با !wget یا !clone وارد کنید Import custom functions with !wget or !clone

• مدل ResNet50 را ایجاد کنید Create ResNet50 Model

• لایه های Fine-Tuning مدل را آموزش دهید Train the Fine-Tuning layers of the model

• چالش Challenge

تنظیم دقیق مدل های هاب TensorFlow در مجموعه داده های بزرگ Fine-Tune TensorFlow Hub Models on Large Datasets

• Fine-Tuning را کاوش کنید Explore Fine-Tuning

• مجموعه داده Food_10 را در سه اندازه کاوش کنید Explore Food_10 Dataset in three sizes

• یک روش جدید TensorFlow را کاوش کنید Explore a new TensorFlow methods

• Keras Applications Vs TensorFlow Hub را کاوش کنید Explore Keras Applications Vs TensorFlow Hub

• 10 لایه برتر Unfrozen را به خوبی تنظیم کنید Fine-Tune the Top 10 Unfrozen Layers

• چالش Challenge

پردازش زبان طبیعی را با TensorFlow یاد بگیرید Learn Natural Language Processing with TensorFlow

• از پیکسل و CNN گرفته تا شخصیت‌های دارای NLP From Pixels and CNN to Characters with NLP

• چالش 🎉 CHALLENGE 🎉

• ویدیوی حل چالش Challenge Solution Video

ماشین‌ها را برای خواندن با توکن‌های توکن و موارد دیگر آموزش دهید Train Machines to Read with Token Sequences & More

• شباهت‌های خواندن برای انسان‌ها و ماشین‌ها را کاوش کنید Explore Similarities in Reading for Humans and Machines

• دنباله های توکن را با هدف خروجی های منسجم اعمال کنید Apply Token Sequences Aiming for Coherent Outputs

• مدیریت کلمات خارج از_واژگان با توکن های OOV Handling Out-of_Vocabulary words with OOV Tokens

• اضافه کردن یکنواختی به جملات با padding Adding Uniformity to Sentences with Padding

• چالش CHALLENGE

با عناوین اخبار، واژگان پیشرفته بسازید Build an Enhanced Vocabulary with News Headlines

• بررسی محدودیت‌های ترانه‌های سازنده ربات Review Limitations of Song Lyrics Generator Bot

• مجموعه داده ها و پیش پردازش دسته اخبار را کاوش کنید Explore News Category Dataset and Preprocessing

• Sequencing، OOV و Padding را اعمال کنید Apply Sequencing, OOV, and Padding

• تست ورودی عنوان مقاله کاربر در واژگان ما با در نظر گرفتن OOV Test User Article Title Input on Our Vocabulary with OOV in Mind

• چالش CHALLENGE

با جاسازی متن، اطلاعات بینش احساسات را اعمال کنید Apply Sentiment Insights with Text Embeddings

• طبقه‌بندی‌کننده شبکه عصبی NLP قبلی را مرور کنید Review Previous NLP Neural Network Classifier

• مجموعه داده های TensorFlow و مجموعه داده های جدید را کاوش کنید Explore TensorFlow Datasets and New Dataset

• مجموعه داده های IMDB را بارگیری کرده و به DataFrames تبدیل کنید Load IMDB Dataset and Convert to DataFrames

• داده ها را به Numpy Arrays تبدیل کنید و جملات و برچسب ها را مرور کنید Convert Data to Numpy Arrays and review sentences and labels

• Tokenizer، Sequences، OOV، و Padding و Embeddings Tokenizer, Sequences, OOV, and Padding and Embeddings

• چالش CHALLENGE

تجزیه و تحلیل احساسات در فضاهای برداری و جاسازی ها Analyze Sentiments in Vector Spaces and Embeddings

• Deep Dive Into Hyperparameters Tuning Deep Dive Into Hyperparameters Tuning

• فرو رفتن عمیق در جاسازی متن Deep Dive Into Text Embeddings

• منحنی های از دست دادن و دقت طرح Plot Loss and Accuracy Curves

• احساسات را با پروژکتور جاسازی تجزیه و تحلیل کنید Analyze Sentiment with Embedding Projector

• چالش CHALLENGE

تجزیه و تحلیل احساسات دنیای واقعی را با داده های Yelp اعمال کنید Apply Real-World Sentiment Analysis with Yelp Data

• مجموعه داده‌های TensorFlow را مرور کنید و زیرکلمه‌ها و BSE را کاوش کنید Review TensorFlow Datasets & Explore Subwords and BSE

• چالش CHALLENGE

• راه حل ویدئو A Solution Video A

• راه حل ویدئو B Solution Video B

• راه حل ویدئو C Solution Video C

انتقال از توکن سازی به مدل های توالی Transition from Tokenization to Sequence Models

• از معناشناسی نشانه تا انسجام متوالی From Token Semantics to Sequential Coherence

• قلب مدل‌های توالی: مشکلات توالی The Heart of Sequence Models: Sequence Problems

• مراحل اقدام مدلسازی TensorFlow TensorFlow Modeling Action Steps

• در RNN و LSTM عمیق تر شوید Delve Deeper Into RNN and LSTM

• چالش CHALLENGE

از TensorFlow NLP برای طبقه بندی توییت های فاجعه استفاده کنید Apply TensorFlow NLP to Classify Disaster Tweets

• توکن استاتیک در مقابل جاسازی‌های پویا Static Token Vs Dynamic Embeddings

• NLP با مسابقه توییت های فاجعه Kaggle NLP with Kaggle's Disaster Tweets Contest

• تجزیه و تحلیل داده های اکتشافی با پانداها Exploratory Data Analysis with Pandas

• تجسم داده ها با Matplotlib و Seaborn Data Visualization with Matplotlib and Seaborn

• چالش CHALLENGE

دسته‌بندی توییت خود را در مسابقه Kaggle ارسال کنید Submit Your Tweet Classifier Into a Kaggle Contest

• بررسی مدل پایه: دقت و ضرر Review Baseline Model: Accuracy & Loss

• ترکیب تصادفی و فراپارامترهای مجموعه داده را اضافه کنید Add Random Dataset Shuffle & Hyperparameters

• اهرم توابع سفارشی Leverage Custom Functions

• فایل خروجی مسابقه را آماده کنید: submission.csv Prepare Competition Output File: submission.csv

• چالش CHALLENGE

بهینه سازی TensorFlow NLP Disaster Binary Classifier Optimize TensorFlow NLP Disaster Binary Classifier

• طبقه‌بندی‌کننده فاجعه دودویی TensorFlow پایه را مرور کنید Review Baseline TensorFlow Binary Disaster Classifier

• بارگیری و پیش پردازش مجموعه داده Load and Preprocess Dataset

• پاک کردن داده ها قبل از بهبود معماری مدل Clean Data Before Improving Model Architecture

• پاک کردن داده ها قسمت 2 Clean Data Part 2

• چالش CHALLENGE

از LSTM به مدل‌های هاب تنسورفلو با تنظیم دقیق حرکت کنید Move from LSTM to Fine-Tune TensorFlow Hub Models

• آموزش انتقال را مرور کنید Review Transfer Learning

• جستجوی مدل ها در تنسورفلو هاب Searching for Models on TensorFlow Hub

• چالش CHALLENGE

• ویدیوی حل چالش قسمت 1 Challenge Solution Video Part 1

• ویدیوی حل چالش قسمت 2 Challenge Solution Video Part 2

انتقال از SimpleRNN به LSTM دوطرفه Transition from SimpleRNN to Bidirectional LSTM

• مدل های RNN و مشکل گرادیان های ناپدید را کاوش کنید Explore RNNs Models and the Vanishing Gradients Problem

• مدل های حافظه کوتاه مدت (LSTM) را کاوش کنید Explore Long Short-Term Memory (LSTM) Models

• یک مدل LSTM دو جهته تک لایه بسازید Build a Single Layer Bidirectional LSTM Model

• یک مدل LSTM دوطرفه چند لایه بسازید Build a Multiple Layer Bidirectional LSTM Model

• کانولوشن ها را به مدل های LSTM اضافه کنید تا دنباله ای از کلمات را ضبط کنید Add Convolutions to LSTM Models to Capture Sequences of Words

• چالش CHALLENGE

شبکه های LSTM، GRU و Convolutional LSTM را مقایسه کنید Compare LSTM, GRU, and Convolutional LSTM Networks

• کنتراست LSTM، GRU، و Convolutional LSTM Contrast LSTM, GRU, and Convolutional LSTM

• ساخت مدل LSTM Build LSTM model

• ساخت مدل GRU Build GRU model

• ساخت مدل Convolutional LSTM Build Convolutional LSTM model

• چالش 🎉 CHALLENGE 🎉

• ویدئوی راه حل Solution Video

مدل‌های توالی متن تولیدی را در NLP کاوش کنید Explore Generative Text Sequence Models in NLP

• پیش‌بینی متن تولیدی را کاوش کنید Explore Generative Text Prediction

• Initialize و Fit Tokenizer Initialize and Fit Tokenizer

• تبدیل به نمایش عددی بدنه Convert to Numerical Representation of the Corpus

• توالی های N-Gram را ایجاد و برگردانید Generate and Return N-Gram Sequences

• دنباله های padding را به X و y تبدیل کنید Convert Padding Sequences to X and y

• فهرست کلمات رمزگذاری شده را کاوش کنید Explore Tokenized Word Index

• چالش 🎉 CHALLENGE 🎉

• ویدئوی راه حل Solution Video

تولید متن با شبکه های عصبی مکرر (RNN) Generate Text with Recurrent Neural Networks(RNNs)

• ساخت، کامپایل و آموزش مدل Build, Compile and Train Model

• منحنی های دقت و ضرر را رسم کنید Plot the Accuracy and Loss Curves

• منحنی های دو جهته (LSTM) و Plot را اضافه کنید Add Bidirectional(LSTM) and Plot Curves

• یک مدل توالی پیش بینی متن ایجاد کنید Create a Text Prediction Sequence Model

• چالش 🎉 CHALLENGE 🎉

• ویدئوی راه حل Solution Video

انواع سری های زمانی و الگوهای زمانی را کاوش کنید Explore Types of Time Series and Temporal Patterns

• روندها Trends

• فصلی بودن Seasonality

• خودهمبستگی Autocorrelation

• سر و صدا Noise

• چالش 🎉 CHALLENGE 🎉

• سوال 1 Question 1

• سوال 2 Question 2

• سوال 3 Question 3

• سوال 4 Question 4

پیش بینی سری های زمانی با شبکه های عصبی عمیق Time Series Forecasting with Deep Neural Networks

• مبانی پیش‌بینی سری‌های زمانی را کاوش کنید Explore Time Series Forecasting Basics

• مجموعه داده مصنوعی را ایجاد و تجسم کنید Create and Visualize Synthetic Dataset

• با استفاده از windowed_dataset داده ها را برای آموزش آماده کنید Prepare Data for Training using a windowed_dataset

• مروری بر معماری مدل Review Model Architecture

• چالش 🎉 CHALLENGE 🎉

• ویدیوی حل چالش Challenge Solution Video

سری های زمانی را با شبکه های عصبی تکراری کاوش کنید Explore Time Series with Recurrent Neural Networks

• پیش بینی DNN را مرور کنید Review DNN Forecasting

• چالش 1 🎉 CHALLENGE 1 🎉

• شبکه های عصبی تکراری را مرور کنید Review Recurrent Neural Networks

• چالش 2 🎉 CHALLENGE 2 🎉

یک مدل پیش‌بینی لکه‌های خورشیدی DNN، LSTM و CNN بسازید Build a DNN, LSTM, and CNN Sunspot Forecast Model

• بررسی Kaggle Sunspot Dataset & CBT Nuggets GitHub Repo Review Kaggle Sunspot Dataset & CBT Nuggets GitHub Repo

• 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