آموزش یادگیری عمیق تنسورفلو - علم داده در پایتون

Tensorflow Deep Learning - Data Science in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: Tensorflow Deep Learning Python : Tensorflow Neural Network Training : Tensorflow Models - Android Java : Tensorflow C# مهار قدرت Anaconda/iPython برای علم داده های عملی آموزش نصب و استفاده از Tensorflow در Anaconda پیاده سازی آماری و یادگیری ماشینی در شبکه با پیاده سازی Tensorflow Tensorflow پیاده سازی یادگیری بدون نظارت مبتنی بر یادگیری عمیق با Tensorflow پیاده سازی یادگیری عمیق مبتنی بر یادگیری با نظارت با تنسورفلو پیش نیازها: قادر به کار و نصب نرم افزار بر روی رایانه باشید. قرار گرفتن در معرض برنامه نویسی پایتون مفید خواهد بود. مفاهیم آماری مفید خواهد بود

تسلط کامل Tensorflow برای یادگیری عمیق یادگیری ماشین در پایتون

این یک آموزش کامل علم داده با TENSORFLOW در پایتون است!

این یک کمپ علمی کامل ۷ ساعته پایتون Tensorflow است که به شما کمک می‌کند مدل‌سازی آماری، تجسم داده‌ها، یادگیری ماشینی و یادگیری عمیق پایه را با استفاده از چارچوب Tensorflow در پایتون بیاموزید.

به همین دلیل باید در این دوره ثبت نام کنید:

این دوره راهنمای کامل شما برای علم داده عملی با استفاده از چارچوب Tensorflow در پایتون است..

این بدان معناست که این دوره تمام جنبه های علم داده عملی را با Tensorflow (چارچوب قدرتمند یادگیری عمیق گوگل) پوشش می دهد و در صورت گذراندن این دوره، می توانید از گذراندن دوره های دیگر یا خرید کتاب در علم داده مبتنی بر Tensorflow پایتون صرف نظر کنید.

در این عصر داده‌های بزرگ، شرکت‌ها در سراسر جهان از پایتون برای بررسی بهمن اطلاعاتی که در اختیار دارند استفاده می‌کنند و ظهور Tensorflow در یادگیری عمیق انقلابی ایجاد می‌کند...

با ذخیره‌سازی، فیلتر کردن، مدیریت و دستکاری داده‌ها در پایتون و تنسورفلو، می‌توانید به شرکت خود مزیت رقابتی بدهید و شغل خود را به سطح بعدی ارتقا دهید.

قول من به شما این است: این یک دوره آموزشی را تکمیل کنید تا در علم داده های عملی مبتنی بر تنسورفلو پایتون به یک حرفه ای تبدیل شوید!

اما اول از همه. نام من مینروا سینگ است و من فارغ التحصیل مقطع کارشناسی ارشد دانشگاه آکسفورد (جغرافیا و محیط زیست) هستم. من اخیراً دکترای خود را در دانشگاه کمبریج (اکولوژی و حفاظت گرمسیری) به پایان رساندم.

من چندین سال تجربه در تجزیه و تحلیل داده‌های واقعی از منابع مختلف با استفاده از تکنیک‌های مرتبط با علم داده و تولید نشریات برای مجلات معتبر بین‌المللی دارم.

در طول تحقیقاتم متوجه شدم که تقریباً تمام دوره‌ها و کتاب‌های علوم داده پایتون، ماهیت چند بعدی موضوع را در نظر نمی‌گیرند و از علم داده به جای یادگیری ماشین استفاده می‌کنند..

این به دانش آموزان دانش ناقصی از موضوع می دهد. از سوی دیگر، دوره من به شما پایه ای قوی در تمام جنبه های علم داده در چارچوب Tensorflow می دهد.

برخلاف سایر دوره‌های پایتون، ما ویژگی‌های مدل‌سازی آماری Tensorflow را عمیقاً بررسی می‌کنیم و به شما پایه‌ای بی‌نظیر در علم داده Tensorflow مبتنی بر پایتون می‌دهیم!

کشف 8 بخش کامل که به هر جنبه ای از علم داده TENSORFLOW مبتنی بر پایتون می پردازد:

• مقدمه ای کامل بر علم داده پایتون و چارچوب قدرتمند مبتنی بر پایتون برای علم داده، Anaconda
• شروع به کار با نوت بوک های Jupyter برای پیاده سازی تکنیک های علم داده در پایتون
• ارائه جامع درباره نصب Tensorflow و مختصری مقدمه‌ای بر سایر بسته‌های علوم داده پایتون
• معرفی مختصر کار پانداها و Numpy
• اصول ساختار Tensorflow و محیط نموداری
• مدل‌سازی آماری با Tensorflow
• یادگیری ماشین، تحت نظارت یادگیری، یادگیری بدون نظارت در چارچوب Tensorflow
• شما حتی خواهید فهمید که چگونه شبکه های عصبی مصنوعی و ساختارهای یادگیری عمیق را با Tensorflow ایجاد کنید

اما، صبر کنید! این فقط یک دوره دیگر علم داده نیست:

شما با جذب ارزشمندترین اصول و تکنیک‌های علوم داده تنسورفلو پایتون شروع خواهید کرد.

من برای ساده‌سازی و پرداختن به سخت‌ترین مفاهیم از روش‌های ساده و قابل فهم استفاده می‌کنم.

دوره آموزشی من به شما کمک می کند روش ها را با استفاده از داده های واقعی به دست آمده از منابع مختلف پیاده سازی کنید. بسیاری از دوره‌ها از داده‌های ساختگی استفاده می‌کنند که دانش‌آموزان را قادر به پیاده‌سازی علوم داده مبتنی بر پایتون در زندگی واقعی نمی‌کند.

بعد از گذراندن این دوره، به راحتی از بسته هایی مانند Numpy، Pandas و Matplotlib برای کار با داده های واقعی در پایتون و همچنین به دست آوردن تسلط در Tensorflow استفاده خواهید کرد. من حتی شما را با مدل های یادگیری عمیق مانند شبکه عصبی کانولوشن (CNN) معرفی می کنم !!

انگیزه اصلی این دوره این است که اطمینان حاصل کنید که می توانید امروز علم داده مبتنی بر پایتون را بر روی داده های واقعی در عمل به کار ببرید، تجزیه و تحلیل داده ها را برای پروژه های خود در هر سطح مهارت خود شروع کنید، و کارفرمایان بالقوه خود را با مثال های واقعی از علم داده خود تحت تاثیر قرار دهید. توانایی ها.

این دوره دانش‌آموزانی را بدون پیش‌زمینه قبلی پایتون و/یا آمار از سطح پایه به انجام برخی از رایج‌ترین تکنیک‌های پیشرفته علم داده با استفاده از نوت‌بوک‌های قدرتمند مبتنی بر پایتون Jupyter می‌برد

این یک دوره عملی و عملی است، یعنی مدتی را صرف پرداختن به برخی از مفاهیم نظری مرتبط با علم داده خواهیم کرد. با این حال، اکثر دوره بر پیاده سازی تکنیک های مختلف بر روی داده های واقعی و تفسیر نتایج متمرکز خواهد بود..

بعد از هر ویدیو، مفهوم یا تکنیک جدیدی را یاد خواهید گرفت که می توانید آن را در پروژه های خود به کار ببرید!

هم اکنون به دوره بپیوندید!

#tensorflow #python #deelearning #android #java #neuralnetwork #models


سرفصل ها و درس ها

مقدمه ای بر TENSORFLOW: مفاهیم کلیدی و ابزارهای نرم افزاری INTRODUCTION TO TENSORFLOW : The Key Concepts and Software Tools

  • به دنیای تنسورفلو خوش آمدید Welcome to the World of TensorFlow

  • مقدمه دوره Introduction to the Course

  • داده ها و اسکریپت های دوره Data and Scripts For the Course

  • هوش مصنوعی چیست؟ What is Artificial Intelligence?

  • محیط علم داده پایتون Python Data Science Environment

  • برای کاربران مک For Mac Users

  • مقدمه ای بر IPython Introduction to IPython

  • IPython در مرورگر IPython in Browser

  • Tensorflow را نصب کنید Install Tensorflow

  • دستورالعمل های کتبی نصب Tensorflow Written Tensorflow Installation Instructions

مقدمه ای بر TensorFlow Introduction to TensorFlow

  • تاچ داون مختصر A Brief Touchdown

  • یک حرکت کوتاه: نمودارهای محاسباتی A Brief Touchdown: Computational Graphs

  • عملگرهای ریاضی رایج در تنسورفلو Common Mathematical Operators in Tensorflow

  • یک جلسه تنسورفلو A Tensorflow Session

  • جلسه تنسورفلو تعاملی Interactive Tensorflow Session

  • ثابت ها و متغیرها در تنسورفلو Constants and Variables in Tensorflow

  • متغیرهایی در تنسورفلو Placeholders in Tensorflow

  • TensorBoard: نمودارها را در TensorFlow تجسم کنید TensorBoard: Visualize Graphs in TensorFlow

  • به نمودارهای TensorBoard دسترسی پیدا کنید Access TensorBoard Graphs

سایر بسته های پایتون و تعامل آنها با تنسورفلو Other Python Packages and Their Interaction with Tensorflow

  • بسته های متفرقه پایتون برای علم داده Miscellaneous Python Packages for Data Science

  • معرفی Numpy Introduction to Numpy

  • آرایه های Numpy ایجاد کنید Create Numpy Arrays

  • عملیات Numpy Numpy Operations

  • Numpy برای عملیات آماری Numpy for Statistical Operation

  • آشنایی با پانداها Introduction to Pandas

  • در داده ها از CSV بخوانید Read in Data from CSV

  • در اکسل دیتا بخوانید Read in Excel Data

  • پاکسازی اولیه داده ها Basic Data Cleaning

  • تبدیل به اشیاء تنسور Convert to Tensor Objects

مدلسازی آماری با تنسورفلو Statistical Modelling with Tensorflow

  • تجزیه و تحلیل همبستگی Correlation Analysis

  • رگرسیون خطی-نظریه Linear Regression-Theory

  • رگرسیون خطی (از اصول اول) با تنسورفلو Linear Regression (From First Principles) With Tensorflow

  • نتایج OLS را تجسم کنید Visualize the Results of OLS

  • رگرسیون چندگانه با تنسورفلو - قسمت 1 Multiple Regression With Tensorflow-Part 1

  • رگرسیون چندگانه با رویکرد یادگیری ماشینی تنسورفلو Multiple Regression With Tensorflow-Machine Learning Approach

  • تخمین با برآوردگرهای تنسورفلو Estimate With Tensorflow Estimators

  • رگرسیون چندگانه با برآوردگرهای تنسورفلو Multiple Regression With Tensorflow Estimators

  • اطلاعات بیشتر در مورد برآوردگر رگرسیون خطی More on Linear Regressor Estimator

  • GLM: مدل خطی تعمیم یافته GLM: Generalized Linear Model

  • طبقه بندی خطی برای طبقه بندی باینری Linear Classifier For Binary Classification

  • ارزیابی دقت برای طبقه بندی باینری Accuracy Assessment For Binary Classification

  • طبقه بندی خطی با طبقه بندی باینری با پیش بینی های مختلط Linear Classification with Binary Classification With Mixed Predictors

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • معرفی Introduction

  • یادگیری ماشینی چیست؟ What is Machine Learning?

یادگیری بدون نظارت Unsupervised Learning

  • یادگیری بدون نظارت چیست؟ What is Unsupervised Learning?

  • K-Means Clustering: Theory K-Means Clustering:Theory

  • پیاده سازی K-Means بر روی داده های واقعی Implement K-Means on Real Data

یادگیری تحت نظارت Supervised Learning

  • طبقه بندی سافت مکس Softmax Classification

  • جنگل تصادفی (RF) برای طبقه بندی باینری Random Forest (RF) for Binary Classification

  • جنگل تصادفی (RF) برای طبقه بندی چند طبقه Random Forest (RF) for Multiclass Classification

  • kNN- طبقه بندی kNN- Classification

شبکه های عصبی مصنوعی و یادگیری عمیق با تنسورفلو Artificial Neural Networks and Deep Learning with Tensorflow

  • مقدمه ای بر شبکه های عصبی مصنوعی (ANN) Introduction to Artificial Neural Networks (ANN)

  • پرسپترون چند لایه (MLP) Multi Layer Perceptron (MLP)

  • طبقه بندی کننده شبکه عصبی عمیق (DNN). Deep Neural Network (DNN) Classifier

  • طبقه‌بندی شبکه عصبی عمیق (DNN) با پیش‌بینی‌کننده‌های مختلط Deep Neural Network (DNN) Classifier With Mixed Predictors

  • رگرسیون شبکه عصبی عمیق (DNN). Deep Neural Network (DNN) Regression

  • یادگیری گسترده و عمیق Wide and Deep Learning

  • تئوری رمزگذارهای خودکار Autoencoders Theory

  • رمزگذارهای خودکار برای تشخیص تقلب در کارت اعتباری Autoencoders for Credit Card Fraud Detection

  • رمزگذارهای خودکار برای چندین کلاس Autoencoders for Multiple Classes

شبکه عصبی پیچشی (CNN) برای تجزیه و تحلیل تصویر Convolution Neural Network (CNN) For Image Analysis

  • مقدمه ای بر CNN Introduction to CNN

  • یک CNN برای طبقه بندی نظارت شده چند کلاسه اجرا کنید Implement a CNN for Multi-Class Supervised Classification

  • توابع فعال سازی Activation Functions

  • بیشتر در CNN More on CNN

  • پیش نیاز برای کار با داده های تصویری Pre-Requisite For Working With Imagery Data

  • CNN در مورد داده های تصویری CNN on Image Data

  • اطلاعات بیشتر در مورد TFLearn More on TFLearn

  • رمزگذارهای خودکار با CNN Autoencoders with CNN

بخش متفرقه Miscellaneous Section

  • از Colabs برای Jupyter Data Science استفاده کنید Use Colabs for Jupyter Data Science

  • پردازنده گرافیکی کولب Colab GPU

  • مقدمه ای بر Github Introduction To Github

نمایش نظرات

نظری ارسال نشده است.

آموزش یادگیری عمیق تنسورفلو - علم داده در پایتون
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
7.5 hours
71
Udemy (یودمی) udemy-small
10 آبان 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
2,958
4.2 از 5
دارد
دارد
دارد
Minerva Singh

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.