آموزش ملزومات سواد: مفاهیم اصلی شبکه های عصبی مکرر

Literacy Essentials: Core Concepts Recurrent Neural Networks

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره مفاهیم اصلی شبکه های عصبی بازگشتی را به شما آموزش می دهد. شبکه های عصبی بازگشتی چیست؟ ساختار آنها با معماری های مختلف چگونه است؟ آنها در مقایسه با شبکه های عصبی کانولوشن چیست؟ در این دوره آموزشی، Literacy Essentials: Core Concepts Recurrent Neural Networks، اصول و مفاهیم مهم شبکه های عصبی بازگشتی (RNN) را یاد خواهید گرفت. ابتدا، اصول اولیه شبکه های عصبی را به طور کلی بررسی خواهید کرد. در مرحله بعد، شما اصول اولیه RNN ها، به ویژه اینکه چه هستند و چرا مهم هستند، به همراه انواع مختلف آنها مانند یک به چند، و همچنین معماری هایی مانند LSTM را کشف خواهید کرد. سپس، نحوه ساخت یک شبکه عصبی بازگشتی با کاربرد عملی با استفاده از Tensorflow را خواهید آموخت. در نهایت، نقاط قوت و بهترین شیوه های پیاده سازی RNN را بررسی خواهید کرد. پس از اتمام این دوره، مهارت‌ها و دانش شبکه‌های عصبی مکرر مورد نیاز برای ساخت راه‌حل‌های پیشرفته مبتنی بر یادگیری ماشین را خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

آشنایی با مبانی شبکه های عصبی Understanding the Basics of Neural Networks

  • بررسی اجمالی Overview

  • مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

  • بررسی مفاهیم مهم NN Exploring Important Concepts of NNs

  • کاوش توابع فعال سازی در NN Explore Activation Functions in NNs

  • کاوش در انتشار در NN Explore Propagations in NNs

  • خلاصه Summary

معرفی شبکه های عصبی بازگشتی Introducing the Recurrent Neural Networks

  • بررسی اجمالی Overview

  • شبکه عصبی مکرر چیست و چرا؟ What Is a Recurrent Neural Network and Why?

  • RNN چه تفاوتی با CNN دارد؟ How RNN Is Different from CNN?

  • انواع و معماری های مختلف RNN Different Types and Architectures of RNN

  • درک BackPropagation از طریق زمان در RNN Understand BackPropagation through Time in RNN

  • خلاصه Summary

ساخت شبکه عصبی بازگشتی با استفاده از تنسورفلو Building a Recurrent Neural Network Using Tensorflow

  • بررسی اجمالی Overview

  • نسخه ی نمایشی: یک شبکه عصبی مکرر با استفاده از TensorFlow پیاده سازی کنید Demo: Implement a Recurrent Neural Network Using TensorFlow

  • خلاصه Summary

بررسی شایستگی های RNN: مطالعه موردی Exploring the Merits of RNNs: Case Study

  • بررسی اجمالی Overview

  • معرفی مطالعه موردی Introducing the Case Study

  • پشتیبانی از توالی در شبکه های عصبی مکرر Support of Sequences in Recurrent Neural Networks

  • برای درک بهتر، زمینه را در نظر بگیرید Taking Context into Account for Better Understanding

  • خلاصه Summary

درک بهترین روش ها برای ساخت RNN Understanding the Best Practices for Building RNNs

  • بررسی اجمالی Overview

  • بهترین روش ها برای بهبود عملکرد مدل RNN Best Practices for Improving the RNN Model Performance

  • ملاحظات در مورد پارامترهای مدل Considerations Regarding the Model Parameters

  • خلاصه Summary

نمایش نظرات

آموزش ملزومات سواد: مفاهیم اصلی شبکه های عصبی مکرر
جزییات دوره
1h 12m
25
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Abdul Rehman Yousaf Abdul Rehman Yousaf

عبدالرحمان بنیانگذار Pythonist.org ، یک شرکت مشاوره ، آموزش و توسعه نرم افزار نرم افزار است. در حال حاضر ، او به عنوان یک مهندس ارشد یادگیری ماشین در Nexthon Technologies مشغول به کار است که در آنجا چندین پروژه شگفت انگیز ساخته شده با هوش مصنوعی ساخته است. پیش از این ، او به عنوان یک معمار راه حل Cloud کار می کرد ، زیرساخت های قدرتمند ، ایمن و مقیاس پذیر را بر روی فروشندگان مختلف ابر مانند Google Cloud Platform و AWS ایجاد می کرد. در طول هر دو این نقش ها ، او از پایتون به عنوان زبان اصلی پیشرفت خود استفاده کرد. او یک مجری و معلم باتجربه است ، در چندین کنفرانس ، گروه نرم افزاری و مکانهای داخلی شرکت سخنرانی کرده است. عبدالل همچنین عضوی فعال در جامعه متن باز است که به طور منظم در پروژه های مختلف مرتبط با پایتون و یادگیری ماشین شرکت می کند. عبدول دارای مدرک لیسانس فناوری اطلاعات از دانشگاه گوجرات پاکستان است.