لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساخت مدل های یادگیری عمیق با استفاده از PyTorch
Building Deep Learning Models Using PyTorch
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
PyTorch یک چارچوب یادگیری عمیق منبع باز است که در ابتدا توسط تیم های هوش مصنوعی در فیس بوک توسعه یافته است. PyTorch API های سطح بالایی را ارائه می دهد که ساخت شبکه های عصبی را آسان می کند و پشتیبانی عالی برای آموزش توزیع شده و پیش بینی دارد. PyTorch یک چارچوب یادگیری عمیق منبع باز است که جایگزین محبوبی برای TensorFlow و Apache MXNet است. API های PyTorch از یک رویکرد بومی پایتون پیروی می کنند که همراه با اجرای پویا نمودار، کار با آن را برای توسعه دهندگان پایتون و دانشمندان داده بسیار شهودی می کند. در این دوره آموزشی، ساخت مدلهای یادگیری عمیق با استفاده از PyTorch، کار با PyTorch و تمام کتابخانههایی را که ارائه میکند، از اصول اولیه - از تانسورهای Torch، نمودارهای محاسباتی پویا، و کتابخانه autograd تا محاسبه گرادیانها، یاد خواهید گرفت. شما با درک اصول اولیه آموزش شبکه عصبی، پاس های رو به جلو و عقب و محاسبه گرادیان شروع خواهید کرد. شما از این مفاهیم برای ساخت شبکه های عصبی ساده برای پیش بینی قیمت خودروها و همچنین اینکه چه کسی در تایتانیک جان سالم به در برده و چه کسی نجات نداده است، استفاده خواهید کرد. در مرحله بعد، به طبقه بندی تصاویر با استفاده از شبکه های عصبی کانولوشنال می روید. شما نقش لایه های کانولوشنال و ادغام و ساختار اصلی یک CNN را مطالعه خواهید کرد، سپس یک CNN برای طبقه بندی تصاویر از مجموعه داده Cifar-10 خواهید ساخت. همچنین خواهید دید که چگونه می توانید با استفاده از مدل های از پیش آموزش دیده برای طبقه بندی تصاویر، از قدرت یادگیری انتقال استفاده کنید. در نهایت، با مشاهده اینکه چگونه اجرای نمودار محاسباتی پویا در PyTorch ساخت RNN ها را بسیار ساده می کند، با شبکه های عصبی مکرر برای داده های توالی کار خواهید کرد. شما از RNN با سلول های حافظه بلند برای پیش بینی جنسیت با استفاده از نام نوزاد استفاده خواهید کرد. در پایان این دوره، با استفاده از کتابخانهها و APIهای PyTorch برای استفاده از مدلهای از پیش آموزشدیدهای که PyTorch ارائه میدهد و همچنین برای ساختن مدل سفارشی خود برای استفاده خاص خود، راحت خواهید بود.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
مقدمه ای بر PyTorch
Introduction to PyTorch
بررسی نسخه
Version Check
نمای کلی ماژول
Module Overview
پیش نیازها و رئوس مطالب دوره
Prerequisites and Course Outline
نورون ها و شبکه های عصبی
Neurons and Neural Networks
معرفی PyTorch
Introducing PyTorch
در حال نصب PyTorch
Installing PyTorch
تانسورها
Tensors
ایجاد و کار با PyTorch Tensor
Creating and Working with PyTorch Tensors
عملیات با تانسورها
Operations with Tensors
نمودار محاسباتی
The Computation Graph
گرادیان نزول
Gradient Descent
پاس های جلو و عقب
Forward and Backward Passes
ساخت شبکه های عصبی ساده
Building Simple Neural Networks
نمای کلی ماژول
Module Overview
درک گرادیان
Understanding Gradients
معرفی اتوگراد
Introducing Autograd
تمایز خودکار حالت معکوس برای محاسبه گرادیان
Reverse-mode Automatic Differentiation to Calculate Gradients
مدل خطی با استفاده از Autograd
Linear Model Using Autograd
بررسی مجموعه داده های پیش بینی قیمت خودرو
Exploring the Automobile Price Prediction Dataset
پیش بینی قیمت با استفاده از یک شبکه عصبی کاملاً متصل
Price Prediction Using a Fully Connected Neural Network
بهینه سازها
Optimizers
شبکه های عصبی برای طبقه بندی
Neural Networks for Classification
کاوش مجموعه داده تایتانیک برای طبقه بندی
Exploring the Titanic Dataset for Classification
آموزش شبکه عصبی
Training the Neural Network
دقت رسم و معیارهای تلفات
Plotting Accuracy and Loss Metrics
ساخت یک مدل طبقه بندی تصویر
Building an Image Classification Model
نمای کلی ماژول
Module Overview
درک یک تصویر
Perceiving an Image
لایه های کانولوشنال
Convolutional Layers
لایه های ترکیبی
Pooling Layers
معماری CNN
CNN Architectures
عادی سازی دسته ای
Batch Normalization
کاوش در مجموعه داده CIFAR10
Exploring The CIFAR10 Dataset
ساخت نسخه ی نمایشی و آموزش CNN
Demo Building and Training the CNN
پیش بینی داده های تست
Predictions on Test Data
یادگیری انتقالی
Transfer Learning
مدل Pretrained ResNet: کاوش داده ها
ResNet Pretrained Model: Data Exploration
مدل از پیش آموزش دیده ResNet: کاوش داده، توابع کمکی
ResNet Pretrained Model: Data Exploration, Helper Functions
ResNet Pretrained Model: Training and Prediction
ResNet Pretrained Model: Training and Prediction
با استفاده از یک مدل از پیش آموزش دیده با لایه های منجمد
Using a Pretrained Model with Frozen Layers
ساخت یک مدل طبقه بندی متن
Building a Text Classification Model
نمای کلی ماژول
Module Overview
نورون های عود کننده
Recurrent Neurons
باز کردن سلول های حافظه RNN در طول زمان
Unrolling RNN Memory Cells Through Time
سلول های حافظه بلند
Long Memory Cells
پیش بینی جنسیت نام ها ساختار RNN
Gender Prediction of Names RNN Structure
مجموعه داده نام ها را آماده کنید
Prepare the Names Dataset
ساخت RNN
Building the RNN
آموزش RNN
Training the RNN
ماتریس سردرگمی
Confusion Matrix
ترسیم پیشبینیهای نام در یک ماتریس سردرگمی
Plotting Name Predictions in a Confusion Matrix
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات