لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق - شبکههای عصبی بازگشتی (RNN) با تنسورفلو
- آخرین آپدیت
دانلود Deep Learning - Recurrent Neural Networks with TensorFlow
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
بهروزرسانی شده در می ۲۰۲۵.
این دوره اکنون دارای قابلیت Coursera Coach است!
روشی هوشمندانهتر برای یادگیری با گفتگوهای تعاملی و آنی که به شما کمک میکند دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیقتر کنید.
شبکههای عصبی بازگشتی (RNNs) دستهای قدرتمند از شبکههای عصبی هستند که برای دادههای متوالی (Sequence Data) طراحی شدهاند و آنها را برای پیشبینی سریهای زمانی و وظایف پردازش زبان طبیعی (NLP) ایدهآل میکنند. این دوره با معرفی مفاهیم بنیادی RNNها آغاز شده و کاربردهای آنها را در پیشبینی و تحلیل سریهای زمانی بررسی میکند. شما وارد دنیای کدنویسی با TensorFlow خواهید شد و یاد میگیرید چگونه مدلهای خودرگرسیونی (Autoregressive) و RNNهای ساده را برای berbagai وظایف پیشبینی پیادهسازی کنید.
با پیشرفت در دوره، با معماریهای پیچیدهتر RNN مانند GRUها و LSTMها آشنا خواهید شد. این واحدها برای مدیریت توالیهای پیچیده و وابستگیهای طولانیمدت در دادهها ضروری هستند. جلسات عملی شما را در استفاده از این مدلها برای چالشهای سخت، از جمله پیشبینی بازده سهام و طبقهبندی تصاویر در مجموعه داده MNIST راهنمایی میکند. همچنین، این دوره جنبههای حیاتی مدیریت ابعاد دادهها (Shapes) را پوشش میدهد تا اطمینان حاصل شود که مدلهای شما ساختاری بهینه و کارآمد دارند.
در بخش پایانی، تمرکز دوره به سمت پردازش زبان طبیعی (NLP) تغییر میکند؛ جایی که جاسازیها (Embeddings)، پیشپردازش متن و طبقهبندی متن با استفاده از LSTMها را بررسی خواهید کرد. با ترکیب دانش تئوری و تمرینات کدنویسی عملی، درکی جامع از نحوه بهرهبرداری از RNNها برای کاربردهای مختلف به دست خواهید آورد. چه در حال پیشبینی قیمت سهام باشید و چه طبقهبندی متن، این دوره شما را به مهارتهای لازم برای موفقیت در زمینه یادگیری عمیق مجهز میکند.
این دوره برای دانشمندان داده، مهندسان یادگیری ماشین و علاقهمندان به هوش مصنوعی که میخواهند شبکههای عصبی بازگشتی را برای تحلیل سریهای زمانی و پردازش زبان طبیعی یاد بگیرند و پیادهسازی کنند، ایدهآل است. داشتن دانش پایه در پایتون و تنسورفلو توصیه میشود.
سرفصل ها و درس ها
خوشآمدگویی
Welcome
مقدمه
Introduction
سرفصلها
Outline
شبکههای عصبی بازگشتی (RNNs)، سریهای زمانی و دادههای متوالی
Recurrent Neural Networks (RNNs), Time Series, and Sequence Data
دادههای متوالی
Sequence Data
پیشبینی (Forecasting)
Forecasting
مدل خطی خودرگرسیونی برای پیشبینی سریهای زمانی
Autoregressive Linear Model for Time Series Prediction
اثبات کارکرد مدل خطی
Proof That the Linear Model Works
شبکههای عصبی بازگشتی (واحد Elman بخش اول)
Recurrent Neural Networks (Elman Unit Part 1)
شبکههای عصبی بازگشتی (واحد Elman بخش دوم)
Recurrent Neural Networks (Elman Unit Part 2)
آمادهسازی کد RNN
RNN Code Preparation
استفاده از RNN برای پیشبینی سریهای زمانی
RNN for Time Series Prediction
توجه به ابعاد دادهها (Shapes)
Paying Attention to Shapes
GRU و LSTM (بخش اول)
GRU and LSTM (Part 1)
GRU و LSTM (بخش دوم)
GRU and LSTM (Part 2)
یک توالی چالشبرانگیزتر
A More Challenging Sequence
دموی مشکل وابستگیهای طولانیمدت
Demo of the Long-Distance Problem
استفاده از RNN برای طبقهبندی تصاویر (تئوری)
RNN for Image Classification (Theory)
استفاده از RNN برای طبقهبندی تصاویر (کدنویسی)
RNN for Image Classification (Code)
پیشبینی بازده سهام با استفاده از LSTMها (بخش اول)
Stock Return Predictions Using LSTMs (Part 1)
پیشبینی بازده سهام با استفاده از LSTMها (بخش دوم)
Stock Return Predictions Using LSTMs (Part 2)
پیشبینی بازده سهام با استفاده از LSTMها (بخش سوم)
Stock Return Predictions Using LSTMs (Part 3)
سایر روشهای پیشبینی
Other Ways to Forecast
باکس پیشنهادات
Suggestion Box
پردازش زبان طبیعی (NLP)
Natural Language Processing (NLP)
جاسازیها (Embeddings)
Embeddings
آمادهسازی کد (NLP)
Code Preparation (NLP)
پیشپردازش متن
Text Preprocessing
طبقهبندی متن با استفاده از LSTMها
Text Classification with LSTMs
نمایش نظرات