آموزش تسریع TensorFlow با موتور یادگیری ماشین Google

Accelerating TensorFlow with the Google Machine Learning Engine

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: نحوه استفاده از TensorFlow - یک کتابخانه نرم افزار منبع باز برای محاسبه عددی - را برای ساختن برنامه های یادگیری ماشین با عملکرد بالا کشف کنید. در این دوره ، مدرس Matt Scarpino به شما کمک می کند تا شما را با این ابزار هیجان انگیز آشنا کند. در اینجا ، او روند توسعه برنامه های TensorFlow و اجرای آنها را در موتور یادگیری ماشین Google Cloud (ML) کاوش می کند.

مت با شروع بحث با جزئیات در مورد توسعه TensorFlow ، شروع کار با اقدامات اساسی تنسور و شروع به نمودارها ، جلسات ، متغیرها و آموزش ، دوره را شروع می کند. او همچنین از ویژگی های سطح بالا مانند مجموعه داده ها ، تکرارکنندگان و برآوردگرها استفاده می کند. در مرحله بعدی ، مت به معرفی Google Cloud Platform (GCP) و قابلیت های آن می پردازد. وی نحوه ایجاد یک پروژه GCP و دسترسی به آن را از طریق ابزار Cloud SDK نشان می دهد. علاوه بر این ، وی فضای ذخیره سازی Google Cloud را پوشش می دهد ، که به توسعه دهندگان امکان می دهد داده هایی را که در برنامه های GCP قابل دسترسی هستند بارگذاری کنند. برای جمع کردن ، او چگونگی استقرار برنامه های TensorFlow خود را در ML Engine قدم می گذارد.
موضوعات شامل:
  • ایجاد تنسور
  • عملیات تانسور اساسی و پیشرفته
  • دسترسی به نمودارها و جلسات در کد
  • برنامه های کاربردی آموزش TensorFlow
  • استفاده از متغیرها در کد
  • استفاده از بهینه سازها
  • استفاده از TensorBoard در عمل
  • دسترسی به داده ها با مجموعه داده ها
  • کدگذاری با مجموعه داده ها و تکرارکننده ها
  • یادگیری ماشین با برآوردگرها
  • استفاده از برآوردگرها در موتور یادگیری ماشین

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

  • آنچه باید بدانید What you should know

  • با استفاده از پرونده های تمرینی Using the exercise files

1. معرفی TensorFlow 1. Introducing TensorFlow

  • بررسی اجمالی و نصب Overview and installation

  • شروع شدن Getting started

  • اجرای یک برنامه ساده Running a simple application

2. اصول توسعه TensorFlow 2. Fundamentals of TensorFlow Development

  • ایجاد تنش Creating tensors

  • عملیات اساسی تانسور Basic tensor operations

  • عملیات پیشرفته تانسور Advanced tensor operations

  • درک نمودارها و جلسات Understanding graphs and sessions

  • دسترسی به نمودارها و جلسات به صورت کد Accessing graphs and sessions in code

3. آموزش برنامه های کاربردی TensorFlow 3. Training TensorFlow Applications

  • متغیرها و ورود به سیستم Variables and logging

  • استفاده از متغیرها در کد Using variables in code

  • با استفاده از بهینه سازها Using optimizers

  • مثال بهینه ساز ساده Simple optimizer example

  • دسته و متغیرهایی Batches and placeholders

  • رگرسیون خطی در کد: قسمت 1 Linear regression in code: Part 1

  • رگرسیون خطی در کد: قسمت 2 Linear regression in code: Part 2

  • TensorBoard TensorBoard

  • استفاده از TensorBoard در عمل Using TensorBoard in practice

4- دسترسی به داده ها با مجموعه داده 4. Accessing Data with Datasets

  • مجموعه داده ها و تکرارها Datasets and iterators

  • کدگذاری با مجموعه داده ها و برنامه های تکراری Coding with datasets and iterators

  • عملیات پایگاه داده Dataset operations

  • ایجاد مجموعه داده از پرونده ها Creating datasets from files

  • معرفی تصاویر MNIST Introducing MNIST images

  • خواندن داده های MNIST به صورت کد Reading MNIST data in code

5- یادگیری ماشین با تخمین گرها 5. Machine Learning with Estimators

  • درک برآوردگرها Understanding estimators

  • توصیف داده ها با ستون های ویژگی Describing data with feature columns

  • کدگذاری یک برآوردگر ساده: قسمت 1 Coding a simple estimator: Part 1

  • کدگذاری یک برآوردگر ساده: قسمت 2 Coding a simple estimator: Part 2

  • برآوردگرها و شبکه های عصبی Estimators and neural networks

  • کدگذاری یک برآوردگر DNN: قسمت 1 Coding a DNN estimator: Part 1

  • کدگذاری یک برآوردگر DNN: قسمت 2 Coding a DNN estimator: Part 2

  • عملکرد خودکار سنجشگر Automating estimator operation

  • اتوماسیون برآوردگر در عمل Estimator automation in practice

6. استقرار برآوردگرها به موتور یادگیری ماشین 6. Deploying Estimators to the Machine Learning Engine

  • ایجاد یک پروژه GCP Creating a GCP project

  • نصب Cloud SDK Installing the Cloud SDK

  • آشنایی با Google Cloud Storage Introduction to Google Cloud Storage

  • دسترسی به فضای ذخیره سازی ابر در عمل Accessing Cloud Storage in practice

  • موتور یادگیری ماشین Machine Learning Engine

  • استقرار مشاغل به ML Engine Deploying jobs to ML Engine

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش تسریع TensorFlow با موتور یادگیری ماشین Google
جزییات دوره
3h 5m
42
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
36,877
- از 5
ندارد
دارد
دارد
Matt Scarpino
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Matt Scarpino Matt Scarpino

توسعه دهنده نرم افزار با سرعت بالا

متیو اسکارپینو یک توسعه‌دهنده نرم‌افزار با تجربه و متخصص در توسعه نرم‌افزار با سرعت بالا است.

در حال حاضر، متیو به‌عنوان توسعه‌دهنده نرم‌افزار در Plutocracy.com کار می‌کند، شرکتی که قصد دارد از قدرت یادگیری عمیق استفاده کند. از سرمایه گذاران فردی و شرکت های سرمایه گذاری کوچک حمایت کنید. او در نقش فعلی خود، پیش بینی سهام را با استفاده از پایتون، درون یابی اسپلاین و شبکه های عصبی مکرر (RNN) پیاده سازی می کند. او مدل‌های TensorFlow را در موتور یادگیری ماشین ابری گوگل برای پردازش با سرعت بالا مستقر کرده است. تخصص های متیو عبارتند از C++، Python، TensorFlow و Google Cloud Platform (GCP).