آموزش هوش مصنوعی III - یادگیری عمیق در جاوا

Artificial Intelligence III - Deep Learning in Java

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: اصول یادگیری عمیق، شبکه های عصبی کانولوشن (CNN) و شبکه های عصبی تکراری (RNN) + LSTM، GRU ها اصول یادگیری عمیق را می فهمد درک شبکه های عصبی کانولوشن (CNN) پیاده سازی شبکه های عصبی کانولوشنال با کتابخانه DL4J در جاوا درک شبکه های عصبی تکراری (RNN) رویکرد word2vec پیش نیازها: برخی از ریاضیات (مشتقات و عملیات ماتریس) مبانی جاوا (کلاس ها، اشیاء و غیره)

این دوره در مورد اصول یادگیری عمیق و شبکه های عصبی کانولوشنال است. شبکه‌های عصبی کانولوشنال یکی از موفق‌ترین رویکردهای یادگیری عمیق هستند: خودروهای خودران به شدت به این الگوریتم متکی هستند. ابتدا با شبکه های عصبی متصل به هم و مشکلات آن آشنا می شوید. فصل بعدی در مورد شبکه های عصبی کانولوشن است: نظریه و همچنین پیاده سازی در جاوا با کتابخانه deeplearning4j. فصل های آخر در مورد شبکه های عصبی مکرر و برنامه های کاربردی - پردازش زبان طبیعی و تجزیه و تحلیل احساسات!

بنابراین با موضوعات زیر آشنا خواهید شد:

بخش شماره 1:

  • شبکه های عصبی چند لایه و نظریه یادگیری عمیق

  • توابع فعال (ReLU و بسیاری دیگر)

  • پیاده سازی شبکه های عصبی عمیق

  • نحوه استفاده از deeplearning4j (DL4J)

بخش شماره 2:

  • تئوری و پیاده سازی شبکه های عصبی کانولوشنال (CNN)

  • هسته ها (ردیاب های ویژگی) چیست؟

  • لایه های ادغام و لایه های مسطح

  • استفاده از شبکه‌های عصبی کانولوشنال (CNN) برای تشخیص نویسه نوری (OCR)

  • استفاده از شبکه های عصبی کانولوشنال (CNN) برای تشخیص لبخند

  • برنامه آشکارساز شکلک از ابتدا

بخش شماره 3:

  • نظریه شبکه های عصبی مکرر (RNN)

  • استفاده از شبکه‌های عصبی مکرر (RNN) برای پردازش زبان طبیعی (NLP)

  • استفاده از شبکه‌های عصبی بازگشتی (RNN) برای تحلیل احساسات

اینها موضوعاتی است که ما به صورت تک به تک بررسی خواهیم کرد.

شما مادام العمر به بیش از 40 سخنرانی دسترسی خواهید داشت!

این دوره با 30 روز ضمانت بازگشت وجه ارائه می شود! اگر به هیچ وجه راضی نباشید، پول خود را پس خواهید گرفت. بیا شروع کنیم!


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

مبانی هوش مصنوعی Artificial Intelligence Basics

  • چرا باید هوش مصنوعی و یادگیری ماشین را یاد گرفت؟ Why to learn artificial intelligence and machine learning?

  • انواع یادگیری هوش مصنوعی Types of artificial intelligence learning

نصب کتابخانه یادگیری عمیق Installing Deep Learning Library

  • نصب جاوا Installing Java

  • نصب Eclipse Installing Eclipse

  • نصب Maven Installing Maven

  • شبیه سازی کتابخانه ها از Github Cloning the libraries from Github

نظریه شبکه های عصبی عمیق Deep Neural Networks Theory

  • شبکه های عصبی عمیق Deep neural networks

  • توابع فعال سازی Activation functions

  • توابع از دست دادن Loss functions

  • نزول گرادیان/نزول گرادیان تصادفی Gradient descent / stochastic gradient descent

  • فراپارامترها Hyperparameters

  • فرمول‌بندی ریاضی شبکه‌های عصبی عمیق Mathematical formulation of deep neural networks

  • آزمون شبکه های عصبی عمیق Deep Neural Networks Quiz

پیاده سازی شبکه های عصبی عمیق Deep Neural Networks Implementation

  • پیاده سازی شبکه عصبی عمیق - مشکل XOR Deep neural network implementation - XOR problem

  • پیاده سازی شبکه عصبی عمیق - مشکل XOR II Deep neural network implementation - XOR problem II

  • پیاده سازی شبکه عصبی عمیق - مجموعه داده عنبیه Deep neural network implementation - iris dataset

  • پیاده سازی شبکه عصبی عمیق - مجموعه داده عنبیه II Deep neural network implementation - iris dataset II

نظریه شبکه های عصبی کانولوشنال (CNN). Convolutional Neural Networks (CNNs) Theory

  • مبانی شبکه های عصبی کانولوشنال Convolutional neural networks basics

  • انتخاب ویژگی Feature selection

  • شبکه های عصبی کانولوشن - هسته Convolutional neural networks - kernel

  • شبکه های عصبی کانولوشن - هسته II Convolutional neural networks - kernel II

  • شبکه های عصبی کانولوشن - تجمیع Convolutional neural networks - pooling

  • شبکه های عصبی کانولوشن - مسطح کردن Convolutional neural networks - flattening

  • شبکه های عصبی کانولوشنال - تصویر Convolutional neural networks - illustration

  • فرمول بندی ریاضی شبکه های عصبی کانولوشن Mathematical formulation of convolution neural networks

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

پیاده سازی شبکه های عصبی کانولوشن (CNN) - طبقه بندی رقومی Convolutional Neural Networks (CNNs) Implementation - Digit Classification

  • پیاده سازی CNN I - طبقه بندی رقمی CNN implementation I - digit classification

  • اجرای CNN II - طبقه بندی رقمی CNN implementation II - digit classification

  • اجرای CNN III - طبقه بندی رقمی CNN implementation III - digit classification

پیاده سازی شبکه های عصبی کانولوشن (CNN) - تشخیص لبخند Convolutional Neural Networks (CNNs) Implementation - Smile Detect

  • طبقه بندی ایموجی I - مدیریت مجموعه داده های سفارشی Emoji classification I - handling custom datasets

  • طبقه بندی ایموجی II - مجموعه داده Emoji classification II - the dataset

  • طبقه بندی ایموجی III - شبکه کانولوشن Emoji classification III - convolutional network

  • طبقه بندی ایموجی IV - تست Emoji classification IV - test

نظریه شبکه های عصبی مکرر (RNNs). Recurrent Neural Networks (RNNs) Theory

  • چرا شبکه های عصبی تکراری مهم هستند؟ Why do recurrent neural networks are important?

  • مبانی شبکه های عصبی تکراری Recurrent neural networks basics

  • مشکل شیب ناپدید شدن و انفجار Vanishing and exploding gradients problem

  • مدل حافظه بلند مدت (LSTM). Long-short term memory (LSTM) model

  • واحدهای مکرر دروازه ای (GRU) Gated recurrent units (GRUs)

  • فرمول‌بندی ریاضی شبکه‌های عصبی بازگشتی Mathematical formulation of recurrent neural networks

  • آزمون شبکه های عصبی مکرر Recurrent Neural Networks Quiz

پیاده سازی شبکه های عصبی مکرر (RNNs). Recurrent Neural Networks (RNNs) Implementation

  • رویکرد گوگل: روش word2vec Google's approach: word2vec method

  • اصول مدل Skip-Gram Skip-Gram model fundamentals

  • پیاده سازی طبقه بندی متن - کلمات مشابه Text classification implementation - similar words

  • پیاده سازی تحلیل احساسات I Sentiment analysis implementation I

  • اجرای تحلیل احساسات II Sentiment analysis implementation II

  • اجرای تحلیل احساسات III Sentiment analysis implementation III

  • اجرای تحلیل احساسات IV Sentiment analysis implementation IV

مواد درسی (دانلود) Course Materials (DOWNLOADS)

  • مواد درسی Course materials

نمایش نظرات

آموزش هوش مصنوعی III - یادگیری عمیق در جاوا
جزییات دوره
4 hours
46
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,011
5 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

Holczer Balazs Holczer Balazs

مهندس نرم افزار