یادگیری عمیق - شبکه های عصبی کانولوشن با TensorFlow [ویدئو]

Deep Learning - Convolutional Neural Networks with TensorFlow [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: TensorFlow محبوب ترین کتابخانه جهان برای یادگیری عمیق است و توسط گوگل ساخته شده است. این کتابخانه انتخابی برای بسیاری از شرکت‌هایی است که هوش مصنوعی (هوش مصنوعی) و یادگیری ماشینی را انجام می‌دهند. بنابراین، اگر می خواهید یادگیری عمیق انجام دهید، باید TensorFlow را بدانید. در این دوره، نحوه استفاده از TensorFlow 2 برای ساخت شبکه های عصبی کانولوشنال (CNN) را یاد خواهید گرفت. ابتدا با نگاهی عمیق به اینکه کانولوشن چیست، چرا مفید است و چگونه آن را در یک شبکه عصبی ادغام کنیم، شروع خواهیم کرد. سپس یاد خواهید گرفت که چگونه CNN ها را در چندین مجموعه داده تشخیص تصویر عملی، از کوچک و نسبتاً ساده تا بزرگ و پیچیده اعمال کنید. در مرحله بعد، نحوه انجام پیش پردازش متن و طبقه بندی متن با CNN را یاد خواهید گرفت. در بخش آخر، با تکنیک‌هایی آشنا می‌شوید که به بهبود عملکرد کمک می‌کنند، مانند نرمال‌سازی دسته‌ای، افزایش داده‌ها و انتقال یادگیری برای Computer Vision. در پایان این دوره، نحوه ساخت شبکه های عصبی کانولوشنال در یادگیری عمیق با TensorFlow را خواهیم فهمید. تمام نوت بوک های مورد استفاده در دوره در دسترس هستند: https://github.com/PacktPublishing/Deep-Learning---Convolutional-Neural-Networks-with-TensorFlow درک مفهوم کانولوشن ادغام پیچیدگی در شبکه های عصبی CNN ها را در چندین مجموعه داده تشخیص تصویر، کوچک و بزرگ، اعمال کنید بهترین روش ها برای طراحی معماری CNN را بیاموزید با نرمال سازی دسته ای و افزایش داده ها آشنا شوید یاد بگیرید چگونه پیش پردازش متن را از قبل تشکیل دهید این دوره برای هر کسی که به یادگیری عمیق و یادگیری ماشین علاقه دارد یا برای هر کسی که می خواهد شبکه های عصبی کانولوشنال را در TensorFlow 2 پیاده سازی کند طراحی شده است. فرد باید مهارت های برنامه نویسی پایتون مناسبی داشته باشد، باید بداند چگونه یک ANN (شبکه عصبی مصنوعی) در TensorFlow 2 ایجاد کند و باید با کتابخانه های علوم داده مانند NumPy و Matplotlib تجربه داشته باشد. یاد بگیرید چگونه از TensorFlow 2 برای ساخت شبکه های عصبی کانولوشنال (CNN) استفاده کنید * این دوره پردازش زبان طبیعی (NLP) و انتقال یادگیری را برای Computer Vision را پوشش می دهد * نحوه اعمال CNN ها را در NLP توضیح می دهد.

سرفصل ها و درس ها

خوش آمدی Welcome

  • معرفی Introduction

  • طرح کلی Outline

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

  • کانولوشن چیست؟ (قسمت 1) What Is Convolution? (Part 1)

  • کانولوشن چیست؟ (قسمت 2) What Is Convolution? (Part 2)

  • کانولوشن چیست؟ (قسمت سوم) What Is Convolution? (Part 3)

  • پیچیدگی در تصاویر رنگی Convolution on Color Images

  • معماری CNN CNN Architecture

  • تهیه کد CNN CNN Code Preparation

  • CNN برای Fashion MNIST CNN for Fashion MNIST

  • CNN برای CIFAR-10 CNN for CIFAR-10

  • افزایش داده ها Data Augmentation

  • عادی سازی دسته ای Batch Normalization

  • بهبود نتایج CIFAR-10 Improving CIFAR-10 Results

  • صندوق پیشنهادات Suggestion Box

پردازش زبان طبیعی (NLP) Natural Language Processing (NLP)

  • جاسازی ها Embeddings

  • تهیه کد (NLP) Code Preparation (NLP)

  • پیش پردازش متن Text Preprocessing

  • CNN برای متن CNNs for Text

  • طبقه بندی متن با CNN Text Classification with CNNs

آموزش انتقال برای بینایی کامپیوتر Transfer Learning for Computer Vision

  • تئوری یادگیری انتقالی Transfer Learning Theory

  • برخی از مدل های از پیش آموزش دیده (VGG، ResNet، Inception، MobileNet) Some Pre-Trained Models (VGG, ResNet, Inception, MobileNet)

  • مجموعه داده های بزرگ و تولید کننده های داده Large Datasets and Data Generators

  • 2 رویکرد به یادگیری انتقالی 2 Approaches to Transfer Learning

  • کد آموزش انتقال (قسمت 1) Transfer Learning Code (Part 1)

  • کد آموزش انتقال (قسمت 2) Transfer Learning Code (Part 2)

نمایش نظرات

یادگیری عمیق - شبکه های عصبی کانولوشن با TensorFlow [ویدئو]
جزییات دوره
3 h 39 m
25
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Lazy Programmer

برنامه نویس تنبل، یک معلم آنلاین برجسته، دارای مدرک کارشناسی ارشد دوگانه در مهندسی کامپیوتر و آمار، با یک دهه تخصص در یادگیری ماشین، تشخیص الگو، و یادگیری عمیق است که در آن دوره های پیشگامی را تألیف کرده است. سفر حرفه ای او شامل افزایش تبلیغات آنلاین و رسانه های دیجیتال، به ویژه افزایش نرخ کلیک و درآمد است. به عنوان یک مهندس نرم افزار همه کاره تمام پشته، او در Python، Ruby on Rails، C++ و غیره برتری دارد. دانش گسترده او حوزه هایی مانند بیوانفورماتیک و تجارت الگوریتمی را پوشش می دهد و مجموعه مهارت های متنوع او را به نمایش می گذارد. او که به ساده کردن موضوعات پیچیده اختصاص دارد، به عنوان یک چهره محوری در آموزش آنلاین ایستاده است و دانش آموزان را به طرز ماهرانه ای از طریق تفاوت های ظریف علم داده و هوش مصنوعی هدایت می کند.

Lazy Programmer Lazy Programmer

برنامه نویس تنبل، یک معلم آنلاین برجسته، دارای مدرک کارشناسی ارشد دوگانه در مهندسی کامپیوتر و آمار، با یک دهه تخصص در یادگیری ماشین، تشخیص الگو، و یادگیری عمیق است که در آن دوره های پیشگامی را تألیف کرده است. سفر حرفه ای او شامل افزایش تبلیغات آنلاین و رسانه های دیجیتال، به ویژه افزایش نرخ کلیک و درآمد است. به عنوان یک مهندس نرم افزار همه کاره تمام پشته، او در Python، Ruby on Rails، C++ و غیره برتری دارد. دانش گسترده او حوزه هایی مانند بیوانفورماتیک و تجارت الگوریتمی را پوشش می دهد و مجموعه مهارت های متنوع او را به نمایش می گذارد. او که به ساده کردن موضوعات پیچیده اختصاص دارد، به عنوان یک چهره محوری در آموزش آنلاین ایستاده است و دانش آموزان را به طرز ماهرانه ای از طریق تفاوت های ظریف علم داده و هوش مصنوعی هدایت می کند.