یادگیری ماشین، علم داده و هوش مصنوعی مولد با پایتون [ویدئو]

Machine Learning, Data Science and Generative AI with Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره با یک دوره آموزشی خرابی پایتون شروع می شود و سپس شما را در راه اندازی رایانه های شخصی مبتنی بر ویندوز، دسکتاپ لینوکس و مک راهنمایی می کند. پس از راه اندازی، به تکنیک های یادگیری ماشین، هوش مصنوعی و داده کاوی می پردازیم که شامل یادگیری عمیق و شبکه های عصبی با TensorFlow و Keras می شود. مدل‌های تولیدی با رمزگذارهای خودکار متغیر و شبکه‌های متخاصم مولد. تجسم داده ها در پایتون با Matplotlib و Seaborn. انتقال یادگیری، تجزیه و تحلیل احساسات، تشخیص تصویر، و طبقه بندی. تحلیل رگرسیون، خوشه‌بندی K-Means، تجزیه و تحلیل مؤلفه اصلی، آموزش/آزمایش و اعتبارسنجی متقابل، روش‌های بیزی، درخت‌های تصمیم‌گیری و جنگل‌های تصادفی. علاوه بر این، ما رگرسیون چندگانه، مدل‌های چند سطحی، ماشین‌های بردار پشتیبان، یادگیری تقویتی، فیلتر مشارکتی، K-Nearest Neighbors، مبادله بایاس/واریانس، یادگیری مجموعه، فرکانس مدت/فرکانس سند معکوس، طراحی آزمایشی، و تست A/B را پوشش خواهیم داد. ، مهندسی ویژگی ها، تنظیم هایپرپارامتر، و خیلی بیشتر! یک بخش اختصاصی در مورد یادگیری ماشین با Apache Spark وجود دارد تا این تکنیک ها را به "داده های بزرگ" تجزیه و تحلیل شده در یک خوشه محاسباتی افزایش دهد. این دوره معماری Transformer را پوشش می‌دهد، نقش توجه به خود در هوش مصنوعی را بررسی می‌کند، برنامه‌های GPT را بررسی می‌کند و ترانسفورماتورها را برای کارهایی مانند تجزیه و تحلیل مرور فیلم تمرین می‌کند. علاوه بر این، ما به ادغام OpenAI API برای ChatGPT، ایجاد با DALL-E، درک جاسازی‌ها و استفاده از صدا به متن برای تقویت هوش مصنوعی با داده‌های دنیای واقعی و تعدیل نگاه خواهیم کرد. یادگیری ماشین را در مقیاس وسیع با MLLib Apache Spark پیاده کنید تجسم داده ها با Matplotlib و Seaborn یادگیری تقویتی و نحوه ساخت ربات Pac-Man را درک کنید برای انتخاب و تنظیم مدل‌ها از اعتبارسنجی متقاطع قطار/تست و K-Fold استفاده کنید با TensorFlow و Keras شبکه های عصبی مصنوعی بسازید طراحی و ارزیابی تست های A/B با استفاده از T-Tests و P-Values ​​توسعه دهندگان نرم افزار یا برنامه نویسانی که می خواهند به مسیر شغلی پرسود علم داده منتقل شوند، چیزهای زیادی از این دوره یاد خواهند گرفت. تحلیلگران داده در امور مالی یا سایر صنایع غیرتکنولوژیکی که می خواهند به صنعت فناوری منتقل شوند، می توانند از این دوره برای یادگیری نحوه تجزیه و تحلیل داده ها با استفاده از کد به جای ابزار استفاده کنند. برای موفقیت به تجربه قبلی در کدنویسی یا اسکریپت نویسی نیاز دارید. اگر قبلاً تجربه کدنویسی یا اسکریپت نویسی ندارید، نباید این دوره را بگذرانید زیرا در بخش های قبلی دوره مقدماتی پایتون را پوشش داده ایم. با درک ابزارها و تکنیک های تجزیه و تحلیل داده ها، اولین قدم های خود را در دنیای علم داده بردارید * آموزش مدل های یادگیری ماشینی کارآمد در پایتون با استفاده از روش های یادگیری تحت نظارت و بدون نظارت * نحوه استفاده از Apache Spark برای پردازش کارآمد داده های بزرگ را بیاموزید.

سرفصل ها و درس ها

شروع شدن Getting Started

  • معرفی Introduction

  • معرفی Introduction

  • [فعالیت] ویندوز: نصب و استفاده از آناکوندا و مواد درسی [Activity] Windows: Installing and Using Anaconda and Course Materials

  • [فعالیت] ویندوز: نصب و استفاده از آناکوندا و مواد درسی [Activity] Windows: Installing and Using Anaconda and Course Materials

  • [فعالیت] MAC: نصب و استفاده از آناکوندا و مواد دوره [Activity] MAC: Installing and Using Anaconda and Course Materials

  • [فعالیت] MAC: نصب و استفاده از آناکوندا و مواد دوره [Activity] MAC: Installing and Using Anaconda and Course Materials

  • [فعالیت] لینوکس: نصب و استفاده از آناکوندا و مواد درسی [Activity] Linux: Installing and Using Anaconda and Course Materials

  • [فعالیت] لینوکس: نصب و استفاده از آناکوندا و مواد درسی [Activity] Linux: Installing and Using Anaconda and Course Materials

  • مبانی پایتون، قسمت 1 [اختیاری] Python Basics, Part 1 [Optional]

  • مبانی پایتون، قسمت 1 [اختیاری] Python Basics, Part 1 [Optional]

  • [فعالیت] مبانی پایتون، قسمت 2 [اختیاری] [Activity] Python Basics, Part 2 [Optional]

  • [فعالیت] مبانی پایتون، قسمت 2 [اختیاری] [Activity] Python Basics, Part 2 [Optional]

  • [فعالیت] مبانی پایتون، قسمت 3 [اختیاری] [Activity] Python Basics, Part 3 [Optional]

  • [فعالیت] مبانی پایتون، قسمت 3 [اختیاری] [Activity] Python Basics, Part 3 [Optional]

  • [فعالیت] مبانی پایتون، قسمت 4 [اختیاری] [Activity] Python Basics, Part 4 [Optional]

  • [فعالیت] مبانی پایتون، قسمت 4 [اختیاری] [Activity] Python Basics, Part 4 [Optional]

  • معرفی کتابخانه پانداها [اختیاری] Introducing the Pandas Library [Optional]

  • معرفی کتابخانه پانداها [اختیاری] Introducing the Pandas Library [Optional]

بازنگری آمار و احتمالات و تمرین پایتون Statistics and Probability Refresher, and Python Practice

  • انواع داده ها (عددی، طبقه ای، ترتیبی) Types of Data (Numerical, Categorical, Ordinal)

  • انواع داده ها (عددی، طبقه ای، ترتیبی) Types of Data (Numerical, Categorical, Ordinal)

  • میانگین، میانه، حالت Mean, Median, Mode

  • میانگین، میانه، حالت Mean, Median, Mode

  • [فعالیت] استفاده از میانگین، میانه و حالت در پایتون [Activity] Using Mean, Median, and Mode in Python

  • [فعالیت] استفاده از میانگین، میانه و حالت در پایتون [Activity] Using Mean, Median, and Mode in Python

  • [فعالیت] تنوع و انحراف معیار [Activity] Variation and Standard Deviation

  • [فعالیت] تنوع و انحراف معیار [Activity] Variation and Standard Deviation

  • تابع چگالی احتمال. تابع جرم احتمال Probability Density Function; Probability Mass Function

  • تابع چگالی احتمال. تابع جرم احتمال Probability Density Function; Probability Mass Function

  • توزیع های رایج داده ها (نرمال، دو جمله ای، پواسون و غیره) Common Data Distributions (Normal, Binomial, Poisson, and So On)

  • توزیع های رایج داده ها (نرمال، دو جمله ای، پواسون و غیره) Common Data Distributions (Normal, Binomial, Poisson, and So On)

  • [فعالیت] صدک ها و لحظه ها [Activity] Percentiles and Moments

  • [فعالیت] صدک ها و لحظه ها [Activity] Percentiles and Moments

  • [فعالیت] دوره تصادف در matplotlib [Activity] A Crash Course in matplotlib

  • [فعالیت] دوره تصادف در matplotlib [Activity] A Crash Course in matplotlib

  • [فعالیت] تجسم پیشرفته با Seaborn [Activity] Advanced Visualization with Seaborn

  • [فعالیت] تجسم پیشرفته با Seaborn [Activity] Advanced Visualization with Seaborn

  • [فعالیت] کوواریانس و همبستگی [Activity] Covariance and Correlation

  • [فعالیت] کوواریانس و همبستگی [Activity] Covariance and Correlation

  • [تمرین] احتمال شرطی [Exercise] Conditional Probability

  • [تمرین] احتمال شرطی [Exercise] Conditional Probability

  • راه حل تمرین: احتمال خرید مشروط بر اساس سن Exercise Solution: Conditional Probability of Purchase by Age

  • راه حل تمرین: احتمال خرید مشروط بر اساس سن Exercise Solution: Conditional Probability of Purchase by Age

  • قضیه بیز Bayes' Theorem

  • قضیه بیز Bayes' Theorem

بازنگری آمار و احتمالات و تمرین پایتون Statistics and Probability Refresher, and Python Practice

مدل های پیش بینی Predictive Models

  • [فعالیت] رگرسیون خطی [Activity] Linear Regression

  • [فعالیت] رگرسیون خطی [Activity] Linear Regression

  • [فعالیت] رگرسیون چند جمله ای [Activity] Polynomial Regression

  • [فعالیت] رگرسیون چند جمله ای [Activity] Polynomial Regression

  • [فعالیت] رگرسیون چندگانه و پیش‌بینی قیمت خودرو [Activity] Multiple Regression and Predicting Car Prices

  • [فعالیت] رگرسیون چندگانه و پیش‌بینی قیمت خودرو [Activity] Multiple Regression and Predicting Car Prices

  • مدل های چند سطحی Multi-Level Models

  • مدل های چند سطحی Multi-Level Models

مدل های پیش بینی Predictive Models

یادگیری ماشینی با پایتون Machine Learning with Python

  • تحت نظارت در مقابل یادگیری بدون نظارت و آموزش/آزمون Supervised Versus Unsupervised Learning, and Train/Test

  • تحت نظارت در مقابل یادگیری بدون نظارت و آموزش/آزمون Supervised Versus Unsupervised Learning, and Train/Test

  • [فعالیت] استفاده از قطار/آزمایش برای جلوگیری از برازش بیش از حد رگرسیون چند جمله ای [Activity] Using Train/Test to Prevent Overfitting a Polynomial Regression

  • [فعالیت] استفاده از قطار/آزمایش برای جلوگیری از برازش بیش از حد رگرسیون چند جمله ای [Activity] Using Train/Test to Prevent Overfitting a Polynomial Regression

  • روش های بیزی: مفاهیم Bayesian Methods: Concepts

  • روش های بیزی: مفاهیم Bayesian Methods: Concepts

  • [فعالیت] پیاده سازی یک طبقه بندی کننده هرزنامه با Naive Bayes [Activity] Implementing a Spam Classifier with Naive Bayes

  • [فعالیت] پیاده سازی یک طبقه بندی کننده هرزنامه با Naive Bayes [Activity] Implementing a Spam Classifier with Naive Bayes

  • K-Means Clustering K-Means Clustering

  • K-Means Clustering K-Means Clustering

  • [فعالیت] خوشه بندی افراد بر اساس درآمد و سن [Activity] Clustering People Based on Income and Age

  • [فعالیت] خوشه بندی افراد بر اساس درآمد و سن [Activity] Clustering People Based on Income and Age

  • اندازه گیری آنتروپی Measuring Entropy

  • اندازه گیری آنتروپی Measuring Entropy

  • [فعالیت] ویندوز: نصب GraphViz [Activity] Windows: Installing GraphViz

  • [فعالیت] ویندوز: نصب GraphViz [Activity] Windows: Installing GraphViz

  • [فعالیت] MAC: نصب GraphViz [Activity] MAC: Installing GraphViz

  • [فعالیت] MAC: نصب GraphViz [Activity] MAC: Installing GraphViz

  • [فعالیت] لینوکس: نصب GraphViz [Activity] Linux: Installing GraphViz

  • [فعالیت] لینوکس: نصب GraphViz [Activity] Linux: Installing GraphViz

  • درختان تصمیم: مفاهیم Decision Trees: Concepts

  • درختان تصمیم: مفاهیم Decision Trees: Concepts

  • [فعالیت] درختان تصمیم: پیش بینی تصمیمات استخدام [Activity] Decision Trees: Predicting Hiring Decisions

  • [فعالیت] درختان تصمیم: پیش بینی تصمیمات استخدام [Activity] Decision Trees: Predicting Hiring Decisions

  • آموزش گروهی Ensemble Learning

  • آموزش گروهی Ensemble Learning

  • [فعالیت] XGBoost [Activity] XGBoost

  • [فعالیت] XGBoost [Activity] XGBoost

  • نمای کلی ماشین‌های بردار پشتیبانی (SVM). Support Vector Machines (SVM) Overview

  • نمای کلی ماشین‌های بردار پشتیبانی (SVM). Support Vector Machines (SVM) Overview

  • [فعالیت] استفاده از SVM برای خوشه بندی افراد با استفاده از Scikit-Learn [Activity] Using SVM to Cluster People Using Scikit-Learn

  • [فعالیت] استفاده از SVM برای خوشه بندی افراد با استفاده از Scikit-Learn [Activity] Using SVM to Cluster People Using Scikit-Learn

یادگیری ماشینی با پایتون Machine Learning with Python

سیستم توصیهگر Recommender Systems

  • فیلتر مشارکتی مبتنی بر کاربر User-Based Collaborative Filtering

  • فیلتر مشارکتی مبتنی بر کاربر User-Based Collaborative Filtering

  • فیلتر مشارکتی مبتنی بر آیتم Item-Based Collaborative Filtering

  • فیلتر مشارکتی مبتنی بر آیتم Item-Based Collaborative Filtering

  • [فعالیت] یافتن شباهت های فیلم با استفاده از شباهت کسینوس [Activity] Finding Movie Similarities Using Cosine Similarity

  • [فعالیت] یافتن شباهت های فیلم با استفاده از شباهت کسینوس [Activity] Finding Movie Similarities Using Cosine Similarity

  • [فعالیت] بهبود نتایج شباهت های فیلم [Activity] Improving the Results of Movie Similarities

  • [فعالیت] بهبود نتایج شباهت های فیلم [Activity] Improving the Results of Movie Similarities

  • [فعالیت] ایجاد توصیه های فیلم با فیلتر مشارکتی مبتنی بر آیتم [Activity] Making Movie Recommendations with Item-Based Collaborative Filtering

  • [فعالیت] ایجاد توصیه های فیلم با فیلتر مشارکتی مبتنی بر آیتم [Activity] Making Movie Recommendations with Item-Based Collaborative Filtering

  • [تمرین] نتایج توصیه‌کننده را بهبود بخشید [Exercise] Improve the Recommender's Results

  • [تمرین] نتایج توصیه‌کننده را بهبود بخشید [Exercise] Improve the Recommender's Results

سیستم توصیهگر Recommender Systems

داده کاوی و تکنیک های یادگیری ماشین بیشتر More Data Mining and Machine Learning Techniques

  • K-نزدیکترین همسایگان: مفاهیم K-Nearest-Neighbors: Concepts

  • K-نزدیکترین همسایگان: مفاهیم K-Nearest-Neighbors: Concepts

  • [فعالیت] استفاده از KNN برای پیش‌بینی رتبه‌بندی یک فیلم [Activity] Using KNN to Predict a Rating for a Movie

  • [فعالیت] استفاده از KNN برای پیش‌بینی رتبه‌بندی یک فیلم [Activity] Using KNN to Predict a Rating for a Movie

  • کاهش ابعاد؛ تجزیه و تحلیل اجزای اصلی (PCA) Dimensionality Reduction; Principal Component Analysis (PCA)

  • کاهش ابعاد؛ تجزیه و تحلیل اجزای اصلی (PCA) Dimensionality Reduction; Principal Component Analysis (PCA)

  • [فعالیت] مثال PCA با مجموعه داده Iris [Activity] PCA Example with the Iris Dataset

  • [فعالیت] مثال PCA با مجموعه داده Iris [Activity] PCA Example with the Iris Dataset

  • مروری بر انبار داده ها: ETL و ELT Data Warehousing Overview: ETL and ELT

  • مروری بر انبار داده ها: ETL و ELT Data Warehousing Overview: ETL and ELT

  • یادگیری تقویتی Reinforcement Learning

  • یادگیری تقویتی Reinforcement Learning

  • [فعالیت] تقویت یادگیری و Q-Learning با Gym [Activity] Reinforcement Learning and Q-Learning with Gym

  • [فعالیت] تقویت یادگیری و Q-Learning با Gym [Activity] Reinforcement Learning and Q-Learning with Gym

  • درک ماتریس سردرگمی Understanding a Confusion Matrix

  • درک ماتریس سردرگمی Understanding a Confusion Matrix

  • طبقه بندی کننده های اندازه گیری (دقت، فراخوان، F1، ROC، AUC) Measuring Classifiers (Precision, Recall, F1, ROC, AUC)

  • طبقه بندی کننده های اندازه گیری (دقت، فراخوان، F1، ROC، AUC) Measuring Classifiers (Precision, Recall, F1, ROC, AUC)

داده کاوی و تکنیک های یادگیری ماشین بیشتر More Data Mining and Machine Learning Techniques

برخورد با داده های دنیای واقعی Dealing with Real-World Data

  • مبادله تعصب/واریانس Bias/Variance Tradeoff

  • مبادله تعصب/واریانس Bias/Variance Tradeoff

  • [فعالیت] K-Fold Cross-Validation برای جلوگیری از نصب بیش از حد [Activity] K-Fold Cross-Validation to Avoid Overfitting

  • [فعالیت] K-Fold Cross-Validation برای جلوگیری از نصب بیش از حد [Activity] K-Fold Cross-Validation to Avoid Overfitting

  • پاکسازی و عادی سازی داده ها Data Cleaning and Normalization

  • پاکسازی و عادی سازی داده ها Data Cleaning and Normalization

  • [فعالیت] پاک کردن داده‌های گزارش وب [Activity] Cleaning Web Log Data

  • [فعالیت] پاک کردن داده‌های گزارش وب [Activity] Cleaning Web Log Data

  • عادی سازی داده های عددی Normalizing Numerical Data

  • عادی سازی داده های عددی Normalizing Numerical Data

  • [فعالیت] تشخیص نقاط پرت [Activity] Detecting Outliers

  • [فعالیت] تشخیص نقاط پرت [Activity] Detecting Outliers

  • مهندسی ویژگی و نفرین ابعاد Feature Engineering and the Curse of Dimensionality

  • مهندسی ویژگی و نفرین ابعاد Feature Engineering and the Curse of Dimensionality

  • تکنیک های انتساب برای داده های از دست رفته Imputation Techniques for Missing Data

  • تکنیک های انتساب برای داده های از دست رفته Imputation Techniques for Missing Data

  • مدیریت داده های نامتعادل: نمونه برداری بیش از حد، نمونه برداری کم، و SMOTE Handling Unbalanced Data: Oversampling, Undersampling, and SMOTE

  • مدیریت داده های نامتعادل: نمونه برداری بیش از حد، نمونه برداری کم، و SMOTE Handling Unbalanced Data: Oversampling, Undersampling, and SMOTE

  • Binning، Transforming، Encoding، Scaling و Shuffling Binning, Transforming, Encoding, Scaling, and Shuffling

  • Binning، Transforming، Encoding، Scaling و Shuffling Binning, Transforming, Encoding, Scaling, and Shuffling

برخورد با داده های دنیای واقعی Dealing with Real-World Data

آپاچی اسپارک: یادگیری ماشینی روی داده های بزرگ Apache Spark: Machine Learning on Big Data

  • [فعالیت] نصب اسپارک - قسمت 1 [Activity] Installing Spark - Part 1

  • [فعالیت] نصب اسپارک - قسمت 1 [Activity] Installing Spark - Part 1

  • [فعالیت] نصب اسپارک - قسمت 2 [Activity] Installing Spark - Part 2

  • [فعالیت] نصب اسپارک - قسمت 2 [Activity] Installing Spark - Part 2

  • معرفی جرقه Spark Introduction

  • معرفی جرقه Spark Introduction

  • Spark و مجموعه داده های توزیع شده انعطاف پذیر (RDD) Spark and the Resilient Distributed Dataset (RDD)

  • Spark و مجموعه داده های توزیع شده انعطاف پذیر (RDD) Spark and the Resilient Distributed Dataset (RDD)

  • معرفی MLLib Introducing MLLib

  • معرفی MLLib Introducing MLLib

  • مقدمه ای بر درختان تصمیم در اسپارک Introduction to Decision Trees in Spark

  • مقدمه ای بر درختان تصمیم در اسپارک Introduction to Decision Trees in Spark

  • [فعالیت] K-Means Clustering در Spark [Activity] K-Means Clustering in Spark

  • [فعالیت] K-Means Clustering در Spark [Activity] K-Means Clustering in Spark

  • TF/IDF TF / IDF

  • TF/IDF TF / IDF

  • [فعالیت] جستجوی ویکی پدیا با اسپارک [Activity] Searching Wikipedia with Spark

  • [فعالیت] جستجوی ویکی پدیا با اسپارک [Activity] Searching Wikipedia with Spark

  • [فعالیت] استفاده از Spark DataFrame API برای MLLib [Activity] Using the Spark DataFrame API for MLLib

  • [فعالیت] استفاده از Spark DataFrame API برای MLLib [Activity] Using the Spark DataFrame API for MLLib

آپاچی اسپارک: یادگیری ماشینی روی داده های بزرگ Apache Spark: Machine Learning on Big Data

طراحی تجربی/ML در دنیای واقعی Experimental Design / ML in the Real World

  • استقرار مدل ها در سیستم های بلادرنگ Deploying Models to Real-Time Systems

  • استقرار مدل ها در سیستم های بلادرنگ Deploying Models to Real-Time Systems

  • مفاهیم تست A/B A/B Testing Concepts

  • مفاهیم تست A/B A/B Testing Concepts

  • T-Test ها و P-Values T-Tests and P-Values

  • T-Test ها و P-Values T-Tests and P-Values

  • [فعالیت] عملی با T-Tests [Activity] Hands-On with T-Tests

  • [فعالیت] عملی با T-Tests [Activity] Hands-On with T-Tests

  • تعیین مدت زمان اجرای یک آزمایش Determining How Long to Run an Experiment

  • تعیین مدت زمان اجرای یک آزمایش Determining How Long to Run an Experiment

  • گوچاهای تست A/B A/B Test Gotchas

  • گوچاهای تست A/B A/B Test Gotchas

طراحی تجربی/ML در دنیای واقعی Experimental Design / ML in the Real World

یادگیری عمیق و شبکه های عصبی Deep Learning and Neural Networks

  • پیش نیازهای یادگیری عمیق Deep Learning Prerequisites

  • پیش نیازهای یادگیری عمیق Deep Learning Prerequisites

  • تاریخچه شبکه های عصبی مصنوعی The History of Artificial Neural Networks

  • تاریخچه شبکه های عصبی مصنوعی The History of Artificial Neural Networks

  • [فعالیت] یادگیری عمیق در زمین بازی تنسورفلو [Activity] Deep Learning in the TensorFlow Playground

  • [فعالیت] یادگیری عمیق در زمین بازی تنسورفلو [Activity] Deep Learning in the TensorFlow Playground

  • جزئیات یادگیری عمیق Deep Learning Details

  • جزئیات یادگیری عمیق Deep Learning Details

  • معرفی TensorFlow Introducing TensorFlow

  • معرفی TensorFlow Introducing TensorFlow

  • [فعالیت] با استفاده از TensorFlow، قسمت 1 [Activity] Using TensorFlow, Part 1

  • [فعالیت] با استفاده از TensorFlow، قسمت 1 [Activity] Using TensorFlow, Part 1

  • [فعالیت] با استفاده از TensorFlow، قسمت 2 [Activity] Using TensorFlow, Part 2

  • [فعالیت] با استفاده از TensorFlow، قسمت 2 [Activity] Using TensorFlow, Part 2

  • [فعالیت] معرفی کراس [Activity] Introducing Keras

  • [فعالیت] معرفی کراس [Activity] Introducing Keras

  • [فعالیت] استفاده از Keras برای پیش بینی وابستگی های سیاسی [Activity] Using Keras to Predict Political Affiliations

  • [فعالیت] استفاده از Keras برای پیش بینی وابستگی های سیاسی [Activity] Using Keras to Predict Political Affiliations

  • شبکه های عصبی کانولوشن (CNN) Convolutional Neural Networks (CNNs)

  • شبکه های عصبی کانولوشن (CNN) Convolutional Neural Networks (CNNs)

  • [فعالیت] استفاده از CNN برای تشخیص دست خط [Activity] Using CNNs for Handwriting Recognition

  • [فعالیت] استفاده از CNN برای تشخیص دست خط [Activity] Using CNNs for Handwriting Recognition

  • شبکه های عصبی مکرر (RNN) Recurrent Neural Networks (RNNs)

  • شبکه های عصبی مکرر (RNN) Recurrent Neural Networks (RNNs)

  • [فعالیت] استفاده از RNN برای تحلیل احساسات [Activity] Using a RNN for Sentiment Analysis

  • [فعالیت] استفاده از RNN برای تحلیل احساسات [Activity] Using a RNN for Sentiment Analysis

  • [فعالیت] آموزش انتقال [Activity] Transfer Learning

  • [فعالیت] آموزش انتقال [Activity] Transfer Learning

  • تنظیم شبکه های عصبی: فراپارامترهای نرخ یادگیری و اندازه دسته ای Tuning Neural Networks: Learning Rate and Batch Size Hyperparameters

  • تنظیم شبکه های عصبی: فراپارامترهای نرخ یادگیری و اندازه دسته ای Tuning Neural Networks: Learning Rate and Batch Size Hyperparameters

  • منظم سازی یادگیری عمیق با ترک تحصیل و توقف زودهنگام Deep Learning Regularization with Dropout and Early Stopping

  • منظم سازی یادگیری عمیق با ترک تحصیل و توقف زودهنگام Deep Learning Regularization with Dropout and Early Stopping

  • اخلاق یادگیری عمیق The Ethics of Deep Learning

  • اخلاق یادگیری عمیق The Ethics of Deep Learning

یادگیری عمیق و شبکه های عصبی Deep Learning and Neural Networks

مدل های مولد Generative Models

  • رمزگذارهای خودکار متغیر (VAE) - چگونه کار می کنند Variational Auto-Encoders (VAEs) - How They Work

  • رمزگذارهای خودکار متغیر (VAE) - چگونه کار می کنند Variational Auto-Encoders (VAEs) - How They Work

  • رمزگذارهای خودکار متغیر (VAE) - با Fashion MNIST کار کنید Variational Auto-Encoders (VAE) - Hands-On with Fashion MNIST

  • رمزگذارهای خودکار متغیر (VAE) - با Fashion MNIST کار کنید Variational Auto-Encoders (VAE) - Hands-On with Fashion MNIST

  • شبکه های متخاصم مولد (GANs) - نحوه کار آنها Generative Adversarial Networks (GANs) - How They Work

  • شبکه های متخاصم مولد (GANs) - نحوه کار آنها Generative Adversarial Networks (GANs) - How They Work

  • شبکه های متخاصم مولد (GANs) - بازی با برخی از دموها Generative Adversarial Networks (GANs) - Playing with Some Demos

  • شبکه های متخاصم مولد (GANs) - بازی با برخی از دموها Generative Adversarial Networks (GANs) - Playing with Some Demos

  • شبکه‌های متخاصم مولد (GANs) - با Fashion MNIST کار کنید Generative Adversarial Networks (GANs) - Hands-On with Fashion MNIST

  • شبکه‌های متخاصم مولد (GANs) - با Fashion MNIST کار کنید Generative Adversarial Networks (GANs) - Hands-On with Fashion MNIST

  • درباره یادگیری عمیق بیشتر بدانید Learning More about Deep Learning

  • درباره یادگیری عمیق بیشتر بدانید Learning More about Deep Learning

مدل های مولد Generative Models

هوش مصنوعی مولد: GPT، ChatGPT، ترانسفورماتورها، شبکه های عصبی مبتنی بر توجه به خود Generative AI: GPT, ChatGPT, Transformers, Self-Attention Based Neural Networks

  • معماری ترانسفورماتور (رمزگذارها، رمزگشاها و توجه به خود.) The Transformer Architecture (encoders, decoders, and self-attention.)

  • معماری ترانسفورماتور (رمزگذارها، رمزگشاها و توجه به خود.) The Transformer Architecture (encoders, decoders, and self-attention.)

  • توجه به خود، توجه نقابدار به خود و توجه عمیق به خود چند سر Self-Attention, Masked Self-Attention, and Multi-Headed Self Attention in depth

  • توجه به خود، توجه نقابدار به خود و توجه عمیق به خود چند سر Self-Attention, Masked Self-Attention, and Multi-Headed Self Attention in depth

  • کاربردهای ترانسفورماتورها (GPT) Applications of Transformers (GPT)

  • کاربردهای ترانسفورماتورها (GPT) Applications of Transformers (GPT)

  • چگونه GPT کار می کند، قسمت 1: معماری ترانسفورماتور GPT How GPT Works, Part 1: The GPT Transformer Architecture

  • چگونه GPT کار می کند، قسمت 1: معماری ترانسفورماتور GPT How GPT Works, Part 1: The GPT Transformer Architecture

  • چگونه GPT کار می کند، قسمت 2: رمزگذاری، رمزگذاری موقعیت، جاسازی How GPT Works, Part 2: Tokenization, Positional Encoding, Embedding

  • چگونه GPT کار می کند، قسمت 2: رمزگذاری، رمزگذاری موقعیت، جاسازی How GPT Works, Part 2: Tokenization, Positional Encoding, Embedding

  • تنظیم دقیق/آموزش انتقال با ترانسفورماتورها Fine Tuning / Transfer Learning with Transformers

  • تنظیم دقیق/آموزش انتقال با ترانسفورماتورها Fine Tuning / Transfer Learning with Transformers

  • [فعالیت] توکن‌سازی با Google CoLab و HuggingFace [Activity] Tokenization with Google CoLab and HuggingFace

  • [فعالیت] توکن‌سازی با Google CoLab و HuggingFace [Activity] Tokenization with Google CoLab and HuggingFace

  • [فعالیت] رمزگذاری موقعیت [Activity] Positional Encoding

  • [فعالیت] رمزگذاری موقعیت [Activity] Positional Encoding

  • [فعالیت] نقاب دار، خود توجه چند سر با BERT، BERTViz، و exBERT [Activity] Masked, Multi-Headed Self Attention with BERT, BERTViz, and exBERT

  • [فعالیت] نقاب دار، خود توجه چند سر با BERT، BERTViz، و exBERT [Activity] Masked, Multi-Headed Self Attention with BERT, BERTViz, and exBERT

  • [فعالیت] استفاده از مدل‌های کوچک و بزرگ GPT در Google CoLab و HuggingFace [Activity] Using small and large GPT models within Google CoLab and HuggingFace

  • [فعالیت] استفاده از مدل‌های کوچک و بزرگ GPT در Google CoLab و HuggingFace [Activity] Using small and large GPT models within Google CoLab and HuggingFace

  • [فعالیت] تنظیم دقیق GPT با مجموعه داده های IMDb [Activity] Fine Tuning GPT with the IMDb dataset

  • [فعالیت] تنظیم دقیق GPT با مجموعه داده های IMDb [Activity] Fine Tuning GPT with the IMDb dataset

  • از GPT تا ChatGPT: یادگیری تقویتی عمیق، گرادیان های خط مشی نزدیک From GPT to ChatGPT: Deep Reinforcement Learning, Proximal Policy Gradients

  • از GPT تا ChatGPT: یادگیری تقویتی عمیق، گرادیان های خط مشی نزدیک From GPT to ChatGPT: Deep Reinforcement Learning, Proximal Policy Gradients

  • از GPT تا ChatGPT: یادگیری تقویتی از بازخورد انسانی و اعتدال From GPT to ChatGPT: Reinforcement Learning from Human Feedback and Moderation

  • از GPT تا ChatGPT: یادگیری تقویتی از بازخورد انسانی و اعتدال From GPT to ChatGPT: Reinforcement Learning from Human Feedback and Moderation

هوش مصنوعی مولد: GPT، ChatGPT، ترانسفورماتورها، شبکه های عصبی مبتنی بر توجه به خود Generative AI: GPT, ChatGPT, Transformers, Self-Attention Based Neural Networks

OpenAI API (در حال توسعه با GPT و ChatGPT) The OpenAI API (Developing with GPT and ChatGPT)

  • [فعالیت] OpenAI Chat Completions API [Activity] The OpenAI Chat Completions API

  • [فعالیت] OpenAI Chat Completions API [Activity] The OpenAI Chat Completions API

  • [فعالیت] استفاده از توابع در OpenAI Chat Completion API [Activity] Using Functions in the OpenAI Chat Completion API

  • [فعالیت] استفاده از توابع در OpenAI Chat Completion API [Activity] Using Functions in the OpenAI Chat Completion API

  • [فعالیت] API تصاویر (DALL-E) در OpenAI [Activity] The Images (DALL-E) API in OpenAI

  • [فعالیت] API تصاویر (DALL-E) در OpenAI [Activity] The Images (DALL-E) API in OpenAI

  • [فعالیت] The Embeddings API در OpenAI: یافتن شباهت بین کلمات [Activity] The Embeddings API in OpenAI: Finding similarities between words

  • [فعالیت] The Embeddings API در OpenAI: یافتن شباهت بین کلمات [Activity] The Embeddings API in OpenAI: Finding similarities between words

  • [فعالیت] Completions API در OpenAI [Activity] The Completions API in OpenAI

  • [فعالیت] Completions API در OpenAI [Activity] The Completions API in OpenAI

  • API Legacy Fine-Tuning برای مدل‌های GPT در OpenAI The Legacy Fine-Tuning API for GPT Models in OpenAI

  • API Legacy Fine-Tuning برای مدل‌های GPT در OpenAI The Legacy Fine-Tuning API for GPT Models in OpenAI

  • [نمایش] تنظیم دقیق مدل Davinci OpenAI برای شبیه سازی داده ها از Star Trek [Demo] Fine-Tuning OpenAI's Davinci Model to simulate Data from Star Trek

  • [نمایش] تنظیم دقیق مدل Davinci OpenAI برای شبیه سازی داده ها از Star Trek [Demo] Fine-Tuning OpenAI's Davinci Model to simulate Data from Star Trek

  • API جدید OpenAI Fine-Tuning. تنظیم دقیق GPT-3.5 برای شبیه سازی Commander Data! The New OpenAI Fine-Tuning API; Fine-Tuning GPT-3.5 to simulate Commander Data!

  • API جدید OpenAI Fine-Tuning. تنظیم دقیق GPT-3.5 برای شبیه سازی Commander Data! The New OpenAI Fine-Tuning API; Fine-Tuning GPT-3.5 to simulate Commander Data!

  • [فعالیت] OpenAI Moderation API [Activity] The OpenAI Moderation API

  • [فعالیت] OpenAI Moderation API [Activity] The OpenAI Moderation API

  • [فعالیت] OpenAI Audio API (گفتار به متن) [Activity] The OpenAI Audio API (speech to text)

  • [فعالیت] OpenAI Audio API (گفتار به متن) [Activity] The OpenAI Audio API (speech to text)

OpenAI API (در حال توسعه با GPT و ChatGPT) The OpenAI API (Developing with GPT and ChatGPT)

پروژه نهایی Final Project

  • تکلیف نهایی پروژه شما: طبقه بندی ماموگرافی Your Final Project Assignment: Mammogram Classification

  • تکلیف نهایی پروژه شما: طبقه بندی ماموگرافی Your Final Project Assignment: Mammogram Classification

  • بررسی نهایی پروژه Final Project Review

  • بررسی نهایی پروژه Final Project Review

پروژه نهایی Final Project

تو موفق شدی! You Made It!

  • بیشتر برای کاوش More to Explore

  • بیشتر برای کاوش More to Explore

تو موفق شدی! You Made It!

نمایش نظرات

یادگیری ماشین، علم داده و هوش مصنوعی مولد با پایتون [ویدئو]
جزییات دوره
18 h 11 m
132
Packtpub Packtpub
(آخرین آپدیت)
5
3.8 از 5
ندارد
دارد
دارد
Frank Kane
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Frank Kane Frank Kane

یادگیری ماشین و داده های بزرگ، آمازون سابق

فرانک 9 سال را در آمازون و IMDb گذراند و فناوری را توسعه و مدیریت کرد که به طور خودکار توصیه های محصول و فیلم را به صدها میلیون مشتری ارائه می دهد. زمان. فرانک دارای 17 حق ثبت اختراع صادر شده در زمینه های محاسبات توزیع شده ، داده کاوی و یادگیری ماشین است. در سال 2012، فرانک شرکت موفق خود را به نام Sundog Software راه اندازی کرد که بر فناوری محیط واقعیت مجازی تمرکز دارد و به دیگران در مورد تجزیه و تحلیل داده های بزرگ آموزش می دهد.