یادگیری عمیق از ابتدا

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه ای بر ML Introduction to ML

• 2. تفاوت بین ML و DL 2. Difference between ML and DL

• 3. مجموعه داده مدرسه مثال برای درک تابع تقریب 3. School Dataset Example to understand Function Approximation

معماری شبکه های عصبی Architecture of Neural Networks

• 4. مقدمه ای بر شبکه های عصبی 4. Introduction to Neural Networks

• 4.1 انواع شبکه های یادگیری عمیق 4.1 Types of Deep Learning Networks

• 5. تقریب تابع 5. Function Approximation

• 6. همه چیز در مورد FCN ها 6. Everything about FCNs

• 7. مدلسازی غیرخطی ها با استفاده از FCN 7. Modelling Non-Linearities using FCNs

• 8. پارامترهای قابل تنظیم یک NN پیچیده 8. Tunable Parameters of a Complex NN

توابع فعال سازی Activation Functions

• 9. مقدمه ای بر توابع فعال سازی 9. Introduction to Activation Functions

• 10. تابع فعال سازی - خطی 10. Activation function - Linear

• 11. واحد خطی اصلاح شده 11. The Rectified Linear Unit

• 12. Leaky RELU 12. The Leaky RELU

• 13. تابع سیگموئید 13. The Sigmoid Function

• 14. تابع فعال سازی Tanh 14. The Tanh activation function

• 15. منحنی Softmax 15. The Softmax Curve

فرآیند درون یک شبکه عصبی The Process Inside a Neural Network

• 16. اهمیت تابع هزینه 16. The Importance of Cost Function

• 17. الگوریتم بهینه سازی نزول گرادیان 17. The Gradient Descent Optimization Algorithm

• 18. عامل نرخ یادگیری 18. The Learning rate factor

• 19. فرآیند درون یک شبکه عصبی - کنار هم قرار دادن همه 19. The Process Inside a Neural Network - Putting all together

• 20. زمان ریاضی - توابع چند متغیره و تمایز جزئی 20. Math Time - Multivariate Functions and Partial Differentiation

• 21. زمان ریاضی - استفاده از گرادیان 21. Math Time - Uses of Gradients

• 22. زمان ریاضی - قانون زنجیره ای 22. Math Time - The Chain Rule

• 23. معادلات پس انتشار 23. The Back Propagation Equations

• 24. دو نوع مشکل ML 24. The two types of ML Problems

Worklet - ساخت شبکه عصبی با استفاده از Tensorflow Worklet - Building a Neural Network using Tensorflow

• 25. مقدمه ای بر محیط زیست 25. Introduction to the Environment

• 26. مجموعه داده طبقه بندی قیمت موبایل 26. The Mobile Price Classification Dataset

• وظیفه 1،2 - تنظیم چیزها Task 1,2 - Setting things up

• وظیفه 3 - تجزیه و تحلیل داده های اکتشافی Task 3 - Exploratory Data Analysis

• اهمیت همبستگی Importance of Correlation

• نقشه هایی برای تجزیه و تحلیل داده ها Plots to analyze data

• وظیفه 4 - تخصیص ویژگی ها و هدف Task 4 - Assigning the features and the target

• وظیفه 5 - ساخت شبکه عصبی و شناسایی تعداد همتراز قابل آموزش Task 5 - Building the Neural Network and identifying the number of trainable par

• حلقه های آموزشی، دوره، اندازه دسته ای Training loops, Epoch, Batch Size

• نحوه تفسیر مقادیر خارج از شبکه عصبی How to Interpret the values out of Neural Network

شبکه های عصبی مکرر Recurrent Neural Networks

• داده های سهام برای درک RNN Stock data to understand RNN

• آشنایی با RNN ها Understanding RNNs

شبکه های عصبی کانولوشنال Convolutional Neural Networks

• مقدمه ای بر مسئله طبقه بندی تصاویر Introduction to Image Classification Problem

• چرا CNN برای پردازش تصویر ایده آل است؟ Why CNN is ideal for Image Processing

• معماری CNN و لایه ها CNN Architecture and Layers

• توضیح برای لایه های کانولوشن Explanation for Convolutional Layers

• اجرای Convolution Implementation of Convolution

تست تمرین Practice Test

• یادگیری عمیق - آزمون نهایی Deep Learning - Final Test