آموزش TensorFlow 2.0 عملی

TensorFlow 2.0 Practical

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: Master Tensorflow 2.0، قدرتمندترین کتابخانه یادگیری ماشین Google، با 10 پروژه عملی TensorFlow 2.0 تازه منتشر شده توسط Master Google برای ساخت، آموزش، آزمایش و استقرار مدل‌های شبکه‌های عصبی مصنوعی (ANN) است. با نحوه توسعه مدل‌های ANN و آموزش آن‌ها در Google’s Colab و در عین حال استفاده از قدرت GPU و TPU آشنا شوید. مدل‌های ANN را در عمل با استفاده از سرویس TensorFlow 2.0 اجرا کنید. نحوه تجسم نمودار مدل ها و ارزیابی عملکرد آنها در طول تمرین با استفاده از Tensorboard را بیاموزید. تئوری و ریاضیات اساسی در پشت شبکه های عصبی مصنوعی و شبکه های عصبی کانولوشنال (CNN) را درک کنید. یاد بگیرید که چگونه وزن ها و بایاس های شبکه را آموزش دهید و عملکردهای انتقال مناسب را انتخاب کنید. آموزش شبکه‌های عصبی مصنوعی (ANN) با استفاده از روش‌های انتشار پس و نزول گرادیان. بهینه سازی پارامترهای فوق العاده شبکه های عصبی مصنوعی مانند تعداد لایه های پنهان و نورون ها برای افزایش عملکرد شبکه. برای انجام وظایف رگرسیونی مانند پیش‌بینی قیمت مسکن و پیش‌بینی فروش/درآمد، از شبکه‌های عصبی مصنوعی استفاده کنید. ارزیابی عملکرد مدل‌های ANN آموزش‌دیده برای وظایف رگرسیونی با استفاده از KPI (شاخص‌های عملکرد کلیدی) مانند میانگین خطای مطلق، میانگین مربع خطا، و ریشه میانگین مربعات خطا، R-Squared و Adjusted R-Squared. ارزیابی عملکرد مدل های ANN آموزش دیده برای وظایف طبقه بندی با استفاده از KPI مانند دقت، دقت و یادآوری. از شبکه های عصبی کانولوشنال برای طبقه بندی تصاویر استفاده کنید. نمونه پروژه های واقعی و عملی: پروژه شماره 1: آموزش ANN ساده برای تبدیل دمای درجه سانتیگراد به فارنهایت پروژه شماره 2 (تمرین): آموزش ANN Feedforward برای پیش بینی درآمد/فروش پروژه شماره 3: به عنوان مشاور املاک و مستغلات، خانه را پیش بینی کنید قیمت ها با استفاده از شبکه های عصبی مصنوعی (وظیفه رگرسیون) پروژه شماره 4 (ورزش): به عنوان صاحب کسب و کار، استفاده از دوچرخه را پیش بینی کنید (وظیفه رگرسیون) پروژه شماره 5: توسعه شبکه های عصبی مصنوعی در زمینه پزشکی برای انجام وظایف طبقه بندی مانند تشخیص دیابت (کار طبقه بندی) ) پروژه شماره 6: مدل های هوش مصنوعی را برای انجام تجزیه و تحلیل احساسات و تجزیه و تحلیل نظرات مشتریان آنلاین ایجاد کنید. پروژه شماره 7: آموزش مدل های یادگیری عمیق LeNet برای انجام طبقه بندی علائم راهنمایی و رانندگی. پروژه شماره 8: آموزش CNN برای انجام طبقه بندی مد پروژه شماره 9: آموزش CNN برای انجام طبقه بندی تصاویر با استفاده از مجموعه داده Cifar-10 پروژه شماره 10: استقرار مدل طبقه بندی تصاویر یادگیری عمیق با استفاده از سرویس TF پیش نیازها: PC با اتصال به اینترنت

انقلاب هوش مصنوعی (AI) فرا رسیده است و TensorFlow 2.0 بالاخره آمده است تا آن را بسیار سریعتر انجام دهد! TensorFlow 2.0 قدرتمندترین پلتفرم منبع باز گوگل است که اخیراً برای ساخت و استقرار مدل های هوش مصنوعی در عمل منتشر شده است.

فناوری هوش مصنوعی رشد تصاعدی را تجربه می‌کند و به طور گسترده در صنایع مراقبت‌های بهداشتی، دفاعی، بانکداری، بازی، حمل‌ونقل و رباتیک مورد استفاده قرار می‌گیرد. هدف از این دوره ارائه دانش عملی به دانش آموزان در زمینه ساخت، آموزش، آزمایش و استقرار شبکه های عصبی مصنوعی و مدل های یادگیری عمیق با استفاده از TensorFlow 2.0 و Google Colab است.

این دوره تجربه عملی عملی را در آموزش شبکه‌های عصبی مصنوعی و شبکه‌های عصبی کانولوشنال با استفاده از مجموعه داده‌های دنیای واقعی با استفاده از TensorFlow 2.0 و Google Colab به دانشجویان ارائه می‌دهد. این دوره چندین تکنیک را به صورت عملی پوشش می‌دهد، پروژه‌ها شامل موارد زیر است اما محدود به موارد زیر نیست:

(1) شبکه‌های عصبی مصنوعی را برای انجام وظایف رگرسیونی مانند پیش‌بینی فروش/درآمد و پیش‌بینی قیمت خانه آموزش دهید

(2) شبکه های عصبی مصنوعی را در زمینه پزشکی برای انجام وظایف طبقه بندی مانند تشخیص دیابت توسعه دهید.

(3) مدل‌های یادگیری عمیق را برای انجام وظایف طبقه‌بندی تصویر مانند تشخیص چهره، طبقه‌بندی مد و طبقه‌بندی علائم راهنمایی آموزش دهید.

(4) مدل‌های هوش مصنوعی را برای انجام تجزیه و تحلیل احساسات و تجزیه و تحلیل نظرات مشتریان ایجاد کنید.

(5) تجسم مدل های هوش مصنوعی را انجام دهید و عملکرد آنها را با استفاده از Tensorboard ارزیابی کنید

(6) مدل‌های هوش مصنوعی را با استفاده از سرویس Tensorflow 2.0 در عمل اجرا کنید

این دوره برای دانش‌آموزانی است که می‌خواهند درکی اساسی از نحوه ساخت و استقرار مدل‌ها در Tensorflow 2.0 به دست آورند. دانش اولیه برنامه نویسی توصیه می شود. با این حال، این موضوعات به طور گسترده در طول سخنرانی های دوره اولیه پوشش داده خواهد شد. بنابراین، این دوره هیچ پیش نیازی ندارد و برای هر دانشجویی که دانش اولیه برنامه نویسی داشته باشد آزاد است. دانش‌آموزانی که در این دوره ثبت‌نام می‌کنند، بر تکنیک‌های هوش مصنوعی و یادگیری عمیق تسلط دارند و می‌توانند مستقیماً از این مهارت‌ها برای حل مشکلات چالش برانگیز دنیای واقعی با استفاده از Google's New TensorFlow 2.0 استفاده کنند.


سرفصل ها و درس ها

مقدمه و خلاصه دوره INTRODUCTION AND COURSE OUTLINE

  • معرفی و پیام خوش آمد گویی Introduction and Welcome Message

  • معرفی و پیام خوش آمد گویی Introduction and Welcome Message

  • بررسی اجمالی دوره Course Overview

  • جایزه: مسیر یادگیری BONUS: Learning Path

  • جایزه: مسیر یادگیری BONUS: Learning Path

  • هوش مصنوعی، ML و DL چیست؟ What's AI, ML and DL

  • یادگیری ماشینی - تصویر بزرگ Machine Learning - Big Picture

  • یادگیری ماشینی - تصویر بزرگ Machine Learning - Big Picture

  • آنچه در TF2 و Google Colab جدید است Whats new in TF2 and Google Colab

  • موارد جدید در TensorFlow 2.0 Whats New in TensorFlow 2.0

  • گوگل کولب چیست؟ What is Google Colab

  • نسخه نمایشی Google Colab Google Colab Demo

  • نسخه نمایشی Google Colab Google Colab Demo

  • اعدام مشتاق Eager Execution

  • اعدام مشتاق Eager Execution

  • Keras API Keras API

  • Keras API Keras API

  • مواد را دریافت کنید Get the materials

مقدمه و خلاصه دوره INTRODUCTION AND COURSE OUTLINE

  • بررسی اجمالی دوره Course Overview

  • هوش مصنوعی، ML و DL چیست؟ What's AI, ML and DL

  • آنچه در TF2 و Google Colab جدید است Whats new in TF2 and Google Colab

  • موارد جدید در TensorFlow 2.0 Whats New in TensorFlow 2.0

  • گوگل کولب چیست؟ What is Google Colab

  • مواد را دریافت کنید Get the materials

اولین مدل پرسپترون ساده (نورون تک) خود را در TF 2.0 بسازید BUILD YOUR FIRST SIMPLE PERCEPTRON (SINGLE NEURON) MODEL IN TF 2.0

  • بررسی اجمالی پروژه شماره 1: تبدیل سلسوئیس به فارنهایت PROJECT #1 OVERVIEW: CONVERT CELSUIS TO FAHRENHEIT

  • پروژه شماره 1 شبکه های عصبی مصنوعی چیست و چگونه یاد می گیرند؟ PROJECT #1 What are ANNs and How they learn?

  • پروژه شماره 1 اولین مدل ANN ما را بسازید PROJECT #1 Build our first ANN model

  • پروژه شماره 1 اولین مدل ANN ما را بسازید PROJECT #1 Build our first ANN model

  • پروژه شماره 1 زمین بازی TF PROJECT #1 TF Playground

  • پروژه شماره 1 زمین بازی TF PROJECT #1 TF Playground

  • پروژه شماره 1 کدگذاری مرحله 1 - بارگذاری TF و داده ها PROJECT #1 Coding Step 1 - Load TF and Data

  • پروژه شماره 1 کدگذاری مرحله 2 - آموزش مدل PROJECT #1 Coding Step 2 - Model Training

  • پروژه شماره 1 کدگذاری مرحله 2 - آموزش مدل PROJECT #1 Coding Step 2 - Model Training

  • مرحله 3 کدگذاری پروژه شماره 1 - ارزیابی مدل PROJECT #1 Coding Step 3 - Model Evaluation

  • بررسی اجمالی پروژه شماره 2 PROJECT #2 Overview

  • پروژه شماره 2: بررسی اجمالی سوالات Google Colab PROJECT#2: Google Colab Questions Overview

  • پروژه شماره 2 کدگذاری قسمت 1 PROJECT # 2 Coding Part 1

  • پروژه شماره 2 کدگذاری قسمت 1 PROJECT # 2 Coding Part 1

  • پروژه شماره 2 کدگذاری قسمت 2 PROJECT # 2 Coding Part 2

  • پروژه شماره 2 کدگذاری قسمت 3 PROJECT # 2 Coding Part 3

  • پروژه شماره 2 کدگذاری قسمت 3 PROJECT # 2 Coding Part 3

اولین مدل پرسپترون ساده (نورون تک) خود را در TF 2.0 بسازید BUILD YOUR FIRST SIMPLE PERCEPTRON (SINGLE NEURON) MODEL IN TF 2.0

  • بررسی اجمالی پروژه شماره 1: تبدیل سلسوئیس به فارنهایت PROJECT #1 OVERVIEW: CONVERT CELSUIS TO FAHRENHEIT

  • پروژه شماره 1 شبکه های عصبی مصنوعی چیست و چگونه یاد می گیرند؟ PROJECT #1 What are ANNs and How they learn?

  • پروژه شماره 1 کدگذاری مرحله 1 - بارگذاری TF و داده ها PROJECT #1 Coding Step 1 - Load TF and Data

  • مرحله 3 کدگذاری پروژه شماره 1 - ارزیابی مدل PROJECT #1 Coding Step 3 - Model Evaluation

  • بررسی اجمالی پروژه شماره 2 PROJECT #2 Overview

  • پروژه شماره 2: بررسی اجمالی سوالات Google Colab PROJECT#2: Google Colab Questions Overview

  • پروژه شماره 2 کدگذاری قسمت 2 PROJECT # 2 Coding Part 2

ساخت شبکه های عصبی مصنوعی چند لایه برای وظایف رگرسیون BUILD A MULTI LAYER ARTIFICIAL NEURAL NETWORKS FOR REGRESSION TASKS

  • پروژه شماره 3: بررسی اجمالی PROJECT #3: Overview

  • پروژه شماره 3 مبانی رگرسیون PROJECT #3 Regression basics

  • پروژه شماره 3 مبانی رگرسیون PROJECT #3 Regression basics

  • پروژه شماره 3 ANN در عمل PROJECT #3 ANN in Action

  • پروژه شماره 3 نمای کلی توابع فعال سازی PROJECT #3 Activation functions overview

  • پروژه شماره 3 شبکه پرسپترون چندلایه PROJECT #3 MultiLayer Perceptron Network

  • پروژه شماره 3 شبکه پرسپترون چندلایه PROJECT #3 MultiLayer Perceptron Network

  • پروژه شماره 3 آموزش ANN و تعریف دوره ها PROJECT #3 ANN Training and Epochs Definition

  • پروژه شماره 3 آموزش ANN و تعریف دوره ها PROJECT #3 ANN Training and Epochs Definition

  • پروژه شماره 3 زمین بازی تنسورفلو 3 PROJECT #3 Tensorflow Playground 3

  • پروژه شماره 3 زمین بازی تنسورفلو 3 PROJECT #3 Tensorflow Playground 3

  • پروژه شماره 3 نزول گرادیان PROJECT #3 Gradient Descent

  • پروژه شماره 3 انتشار برگشتی PROJECT #3 Back Propagation

  • پروژه شماره 3 انتشار برگشتی PROJECT #3 Back Propagation

  • پروژه شماره 3 مبادله واریانس تعصب PROJECT #3 Bias Variance Tradeoff

  • پروژه شماره 3 مبادله واریانس تعصب PROJECT #3 Bias Variance Tradeoff

  • پروژه شماره 3 معیارهای عملکرد PROJECT #3 Performance Metrics

  • پروژه شماره 3 معیارهای عملکرد PROJECT #3 Performance Metrics

  • پروژه شماره 3 کدگذاری بخش 1 PROJECT #3 Coding part 1

  • پروژه شماره 3 کدگذاری بخش 1 PROJECT #3 Coding part 1

  • پروژه شماره 3 کدگذاری قسمت 2 PROJECT #3 Coding part 2

  • پروژه شماره 3 کدگذاری قسمت 2 PROJECT #3 Coding part 2

  • پروژه شماره 3 کدگذاری قسمت 3 PROJECT #3 Coding part 3

  • پروژه شماره 3 کدگذاری قسمت 4 PROJECT #3 Coding part 4

  • پروژه شماره 3 کدگذاری قسمت 4 PROJECT #3 Coding part 4

  • PROJECT #3 کدگذاری قسمت 5 - آموزش PROJECT #3 Coding part 5 - Training

  • پروژه شماره 3 کدگذاری قسمت 6 PROJECT #3 Coding part 6

  • پروژه شماره 3 کدگذاری قسمت 6 PROJECT #3 Coding part 6

  • بررسی اجمالی پروژه شماره 4 PROJECT #4 Overview

  • بررسی اجمالی پروژه شماره 4 PROJECT #4 Overview

  • پروژه شماره 4 مروری بر Google Colab PROJECT #4 Google Colab Overview

  • پروژه شماره 4 کدگذاری قسمت 1 PROJECT #4 Coding Part 1

  • پروژه شماره 4 کدگذاری قسمت 1 PROJECT #4 Coding Part 1

  • پروژه شماره 4 کدگذاری قسمت 2 PROJECT #4 Coding Part 2

  • پروژه شماره 4 کدگذاری قسمت 3 PROJECT #4 Coding Part 3

  • پروژه شماره 4 کدگذاری قسمت 3 PROJECT #4 Coding Part 3

ساخت شبکه های عصبی مصنوعی چند لایه برای وظایف رگرسیون BUILD A MULTI LAYER ARTIFICIAL NEURAL NETWORKS FOR REGRESSION TASKS

  • پروژه شماره 3: بررسی اجمالی PROJECT #3: Overview

  • پروژه شماره 3 ANN در عمل PROJECT #3 ANN in Action

  • پروژه شماره 3 نمای کلی توابع فعال سازی PROJECT #3 Activation functions overview

  • پروژه شماره 3 نزول گرادیان PROJECT #3 Gradient Descent

  • پروژه شماره 3 کدگذاری قسمت 3 PROJECT #3 Coding part 3

  • PROJECT #3 کدگذاری قسمت 5 - آموزش PROJECT #3 Coding part 5 - Training

  • پروژه شماره 4 مروری بر Google Colab PROJECT #4 Google Colab Overview

  • پروژه شماره 4 کدگذاری قسمت 2 PROJECT #4 Coding Part 2

شبکه های عصبی مصنوعی برای وظایف طبقه بندی ARTIFICIAL NEURAL NETWORKS FOR CLASSIFICATION TASKS

  • پروژه شماره 5 احساسات بررسی اجمالی پروژه PROJECT #5 Project Overview sentiment

  • پروژه شماره 5 احساسات بررسی اجمالی پروژه PROJECT #5 Project Overview sentiment

  • پروژه شماره 5 رمزگذاری و شمارش بردار PROJECT #5 Tokenization and Count Vectorizer

  • پروژه شماره 5 رمزگذاری و شمارش بردار PROJECT #5 Tokenization and Count Vectorizer

  • پروژه شماره 5 ماتریس سردرگمی PROJECT #5 Confusion Matrix

  • پروژه شماره 5 ماتریس سردرگمی PROJECT #5 Confusion Matrix

  • پروژه شماره 5 مجموعه داده را بارگذاری کنید PROJECT #5 Load Dataset

  • پروژه شماره 5 تجسم داده ها PROJECT #5 Data Visualization

  • پروژه شماره 5 توکن سازی داده ها PROJECT #5 Data Tokenization

  • پروژه شماره 5 توکن سازی داده ها PROJECT #5 Data Tokenization

  • پروژه شماره 5 ساخت و آموزش مدل PROJECT #5 Model Building and Training

  • پروژه شماره 5 ارزیابی مدل PROJECT #5 Model Evaluation

  • پروژه شماره 6 بررسی اجمالی پروژه PROJECT #6 Project Overview

  • پروژه شماره 6 بررسی اجمالی پروژه PROJECT #6 Project Overview

  • پروژه شماره 6 بررسی اجمالی سوالات پروژه Google Colab PROJECT #6 Google Colab Project Questions Overview

  • پروژه شماره 6 بررسی اجمالی سوالات پروژه Google Colab 2 PROJECT #6 Google Colab Project Questions Overview 2

  • پروژه شماره 6 بررسی اجمالی سوالات پروژه Google Colab 2 PROJECT #6 Google Colab Project Questions Overview 2

  • پروژه شماره 6 راه حل کدگذاری پروژه قسمت 1 PROJECT #6 Project Coding Solution Part 1

  • پروژه شماره 6 راه حل کدگذاری پروژه قسمت 2 PROJECT #6 Project Coding Solution Part 2

شبکه های عصبی مصنوعی برای وظایف طبقه بندی ARTIFICIAL NEURAL NETWORKS FOR CLASSIFICATION TASKS

  • پروژه شماره 5 مجموعه داده را بارگذاری کنید PROJECT #5 Load Dataset

  • پروژه شماره 5 تجسم داده ها PROJECT #5 Data Visualization

  • پروژه شماره 5 ساخت و آموزش مدل PROJECT #5 Model Building and Training

  • پروژه شماره 5 ارزیابی مدل PROJECT #5 Model Evaluation

  • پروژه شماره 6 بررسی اجمالی سوالات پروژه Google Colab PROJECT #6 Google Colab Project Questions Overview

  • پروژه شماره 6 راه حل کدگذاری پروژه قسمت 1 PROJECT #6 Project Coding Solution Part 1

  • پروژه شماره 6 راه حل کدگذاری پروژه قسمت 2 PROJECT #6 Project Coding Solution Part 2

یادگیری عمیق برای طبقه بندی تصویر DEEP LEARNING FOR IMAGE CLASSIFICATION

  • بررسی اجمالی پروژه شماره 7 PROJECT #7 Overview

  • بررسی اجمالی پروژه شماره 7 PROJECT #7 Overview

  • پروژه شماره 7 سی ان ان بررسی اجمالی کل شبکه PROJECT #7 CNN Entire Network Overview

  • پروژه شماره 7 آشکارسازهای ویژگی PROJECT #7 Feature Detectors

  • پروژه شماره 7 RELU PROJECT #7 RELU

  • پروژه شماره 7 RELU PROJECT #7 RELU

  • پروژه شماره 7 جمع آوری و نمونه برداری پایین PROJECT #7 Pooling and Downsampling

  • پروژه شماره 7 بهبود عملکرد PROJECT #7 Performance Improvement

  • پروژه شماره 7 کدگذاری بخش 1 وارد کردن داده ها PROJECT #7 Coding part 1 Import Data

  • پروژه شماره 7 کدگذاری بخش 1 وارد کردن داده ها PROJECT #7 Coding part 1 Import Data

  • پروژه شماره 7 کدگذاری قسمت 2 تجسم PROJECT #7 Coding part 2 Visualization

  • پروژه شماره 7 کدگذاری قسمت 2 تجسم PROJECT #7 Coding part 2 Visualization

  • پروژه شماره 7 کدگذاری قسمت 3 مدل قطار PROJECT #7 Coding part 3 Train model

  • پروژه شماره 7 کدگذاری قسمت 3 مدل قطار PROJECT #7 Coding part 3 Train model

  • پروژه شماره 7 کدگذاری قسمت 4 - ارزیابی مدل PROJECT #7 Coding part 4 - Evaluate model

  • پروژه شماره 7 کدگذاری قسمت 4 - ارزیابی مدل PROJECT #7 Coding part 4 - Evaluate model

  • پروژه شماره 8 بررسی اجمالی پروژه PROJECT #8 Project Overview

  • پروژه شماره 8 معماری LeNet PROJECT #8 LeNet Architecture

  • پروژه شماره 8 معماری LeNet PROJECT #8 LeNet Architecture

  • پروژه شماره 8 کدگذاری بخش 1 PROJECT #8 Coding part 1

  • پروژه شماره 8 کدگذاری قسمت 2 PROJECT #8 Coding part 2

  • پروژه شماره 8 کدگذاری قسمت 2 PROJECT #8 Coding part 2

  • پروژه شماره 8 کدگذاری قسمت 3 PROJECT #8 Coding part 3

  • بررسی اجمالی پروژه شماره 9 PROJECT #9 Overview

  • بررسی اجمالی سوالات پروژه شماره 9 PROJECT #9 Questions Overview

  • پروژه شماره 9 راه حل قسمت 1 PROJECT #9 Solution Part 1

  • پروژه شماره 9 راه حل قسمت 1 PROJECT #9 Solution Part 1

  • پروژه شماره 9 راه حل قسمت 2 PROJECT #9 Solution Part 2

  • پروژه شماره 9 راه حل قسمت 2 PROJECT #9 Solution Part 2

یادگیری عمیق برای طبقه بندی تصویر DEEP LEARNING FOR IMAGE CLASSIFICATION

  • پروژه شماره 7 سی ان ان بررسی اجمالی کل شبکه PROJECT #7 CNN Entire Network Overview

  • پروژه شماره 7 آشکارسازهای ویژگی PROJECT #7 Feature Detectors

  • پروژه شماره 7 جمع آوری و نمونه برداری پایین PROJECT #7 Pooling and Downsampling

  • پروژه شماره 7 بهبود عملکرد PROJECT #7 Performance Improvement

  • پروژه شماره 8 بررسی اجمالی پروژه PROJECT #8 Project Overview

  • پروژه شماره 8 کدگذاری بخش 1 PROJECT #8 Coding part 1

  • پروژه شماره 8 کدگذاری قسمت 3 PROJECT #8 Coding part 3

  • بررسی اجمالی پروژه شماره 9 PROJECT #9 Overview

  • بررسی اجمالی سوالات پروژه شماره 9 PROJECT #9 Questions Overview

استقرار مدل با استفاده از سرویس TF MODEL DEPLOYMENT USING TF SERVING

  • کدگذاری سرویس TF قسمت 1 TF Serving Coding Part 1

  • کدگذاری سرویس TF قسمت 2 TF Serving Coding Part 2

  • کدگذاری سرویس TF قسمت 2 TF Serving Coding Part 2

  • کدگذاری سرویس TF قسمت 3 TF Serving Coding Part 3

  • Tensorboard مثال 1 Tensorboard Example 1

  • Tensorboard مثال 1 Tensorboard Example 1

  • Tensorboard مثال 2 Tensorboard Example 2

  • استراتژی توزیع شده Distributed Strategy

  • استراتژی توزیع شده Distributed Strategy

استقرار مدل با استفاده از سرویس TF MODEL DEPLOYMENT USING TF SERVING

  • کدگذاری سرویس TF قسمت 1 TF Serving Coding Part 1

  • کدگذاری سرویس TF قسمت 3 TF Serving Coding Part 3

  • Tensorboard مثال 2 Tensorboard Example 2

نمایش نظرات

نظری ارسال نشده است.

آموزش TensorFlow 2.0 عملی
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
11.5 hours
84
Udemy (یودمی) udemy-small
01 اسفند 1399 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
6,466
4.6 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.