یادگیری عمیق با استفاده از Keras - راهنمای کامل و فشرده برای مبتدیان [ویدئو]

Deep Learning Using Keras - A Complete and Compact Guide for Beginners [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: حوزه هوش مصنوعی به طور گسترده به یادگیری عمیق و یادگیری ماشین تقسیم می شود. در واقع، یادگیری عمیق خود یادگیری ماشینی است، اما یادگیری عمیق با شبکه های عصبی عمیق و الگوریتم های خود سعی می کند ویژگی های سطح بالا را از داده ها بدون دخالت انسان بیاموزد. این باعث می شود یادگیری عمیق پایه همه سیستم های خود هوشمند آینده باشد. این دوره با مرور اصول اولیه پایتون شروع می‌شود و سپس به سرعت به کتابخانه‌های مهم پایتون می‌رود که برای تجزیه و تحلیل داده‌ها و تجسم‌سازی حیاتی هستند، مانند NumPy، Pandas و Matplotlib. پس از اصول اولیه، کتابخانه های یادگیری عمیق - Theano و TensorFlow - و API را برای مقابله با این موارد به نام Keras نصب می کنیم. سپس، قبل از اینکه به یادگیری عمیق بپردازیم، یک جلسه تئوری مفصل در مورد ساختار اساسی نورون های مصنوعی و شبکه های عصبی، و در مورد توابع فعال سازی، توابع از دست دادن و بهینه سازها خواهیم داشت. علاوه بر این، ما مدل‌های شبکه عصبی چند لایه یادگیری عمیق را برای یک مجموعه داده مبتنی بر متن و سپس شبکه‌های عصبی کانولوشنال برای یک مجموعه داده مبتنی بر تصویر ایجاد خواهیم کرد. همچنین خواهید آموخت که لایه های اصلی CNN مانند لایه کانولوشن، لایه ادغام و لایه کاملا متصل چگونه کار می کنند. سپس از تکنیک های مختلف برای بهبود کیفیت یک مدل و انجام بهینه سازی با استفاده از تقویت تصویر استفاده می کنیم. در پایان این دوره، شما درک کاملی از یادگیری عمیق خواهید داشت و می توانید این مهارت ها را در پروژه های خود پیاده سازی کنید. بسته کد کامل این دوره در https://github.com/PacktPublishing/Deep-Learning-using-Keras---A-Complete-and-Compact-Guide-for-Beginners در دسترس است. اصول برنامه نویسی پایتون را بیاموزید. از کتابخانه های مختلف پایتون مانند NumPy، Matplotlib و Pandas استفاده کنید ساختار اساسی نورون های مصنوعی و شبکه های عصبی را درک کنید توابع فعال سازی، توابع از دست دادن، و بهینه سازها را کاوش کنید مدل های شبکه عصبی چند لایه یادگیری عمیق را برای یک مجموعه داده مبتنی بر متن ایجاد کنید ایجاد شبکه های عصبی کانولوشنال برای مجموعه داده های مبتنی بر تصویر این دوره برای مبتدیانی طراحی شده است که می خواهند یادگیری عمیق پایه تا پیشرفته را بیاموزند و دانش اولیه رایانه را داشته باشند. تجزیه و تحلیل داده های اکتشافی داده های بارگذاری شده را انجام دهید و داده ها را برای ارائه آن به مدل یادگیری عمیق آماده کنید * یاد بگیرید که چگونه لایه های اصلی CNN مانند لایه کانولوشن، لایه ادغام و لایه کاملاً متصل کار می کنند * یاد بگیرید که از Google Colab برای بهبود استفاده کنید. پردازش موازی با مدل های VGGNet و ResNet

سرفصل ها و درس ها

معرفی دوره Course Introduction

  • معرفی دوره و فهرست مطالب Course Introduction and Table of Contents

معرفی Introduction

  • مقدمه ای بر هوش مصنوعی (هوش مصنوعی) و یادگیری ماشینی Introduction to AI (Artificial Intelligence) and Machine Learning

  • مقدمه ای بر یادگیری عمیق Introduction to Deep learning

راه اندازی کامپیوتر Setting Up Computer

  • نصب آناکوندا Installing Anaconda

مبانی پایتون Python Basics

  • وظیفه Assignment

  • کنترل جریان - قسمت 1 Flow Control - Part 1

  • کنترل جریان - قسمت 2 Flow Control - Part 2

  • لیست و تاپل List and Tuples

  • فرهنگ لغت و توابع - بخش 1 Dictionary and Functions - part 1

  • فرهنگ لغت و توابع - بخش 2 Dictionary and Functions - part 2

مبانی NumPy NumPy Basics

  • مبانی NumPy - قسمت 1 NumPy Basics - Part 1

  • مبانی NumPy - قسمت 2 NumPy Basics - Part 2

مبانی Matplotlib Matplotlib Basics

  • مبانی Matplotlib - قسمت 1 Matplotlib Basics - part 1

  • مبانی Matplotlib - قسمت 2 Matplotlib Basics - part 2

اصول اولیه پانداها Pandas Basics

  • اصول پانداها - قسمت 1 Pandas Basics - Part 1

  • اصول پانداها - قسمت 2 Pandas Basics - Part 2

نصب کتابخانه ها Installing Libraries

  • نصب کتابخانه های یادگیری عمیق Installing Deep Learning Libraries

نورون مصنوعی و شبکه عصبی Artificial Neuron and Neural Network

  • ساختار پایه Basic Structure

توابع فعال سازی Activation Functions

  • معرفی Introduction

توابع فعال سازی محبوب Popular Activation Functions

  • انواع محبوب توابع فعال سازی Popular Types of Activation Functions

انواع محبوب توابع از دست دادن Popular Types of Loss Functions

  • انواع محبوب توابع از دست دادن Popular Types of Loss Functions

انواع محبوب بهینه سازها Popular Types of Optimizers

  • بهینه سازهای محبوب Popular Optimizers

انواع شبکه های عصبی محبوب Popular Neural Network Types

  • انواع شبکه های عصبی محبوب Popular Neural Network Types

مدل رگرسیونی فروش خانه کینگ کانتی King County House Sales Regression Model

  • مرحله 1 - واکشی و بارگیری مجموعه داده Step 1 - Fetch and Load Dataset

  • مرحله 2 و 3 - EDA (تجزیه و تحلیل داده های اکتشافی) و آماده سازی داده ها - قسمت 1 Step 2 and 3 - EDA (Exploratory Data Analysis) and Data Preparation - Part 1

  • مرحله 2 و 3 - EDA و آماده سازی داده ها - قسمت 2 Step 2 and 3 - EDA and Data Preparation - Part 2

  • مرحله 4 - تعریف مدل Keras - قسمت 1 Step 4 - Defining the Keras Model - Part 1

  • مرحله 4 - تعریف مدل Keras - قسمت 2 Step 4 - Defining the Keras Model - Part 2

  • مرحله 5 و 6 - کامپایل و برازش مدل Step 5 and 6 - Compile and Fit Model

  • مرحله 7 - آموزش و معیارها را تجسم کنید Step 7 - Visualize Training and Metrics

  • مرحله 8 - پیش بینی با استفاده از مدل Step 8 - Prediction Using the Model

مدل طبقه بندی دوتایی بیماری قلبی Heart Disease Binary Classification Model

  • مدل طبقه بندی دوتایی بیماری های قلبی - مقدمه Heart Disease Binary Classification Model - Introduction

  • مرحله 1 - واکشی و بارگیری داده ها Step 1 - Fetch and Load Data

  • مرحله 2 و 3 - EDA و آماده سازی داده - قسمت 1 Step 2 and 3 - EDA and Data Preparation - Part 1

  • مرحله 2 و 3 - EDA و آماده سازی داده ها - قسمت 2 Step 2 and 3 - EDA and Data Preparation - Part 2

  • مرحله 4 - تعریف مدل Step 4 - Defining the Model

  • مرحله 5 و 6 - کامپایل Fit و رسم مدل Step 5 and 6 - Compile Fit and Plot the Model

  • مرحله 7 - پیش بینی بیماری قلبی با استفاده از مدل Step 7 - Predicting Heart Disease Using Model

مدل طبقه بندی چند طبقه کیفیت شراب قرمز Red Wine Quality Multiclass Classification Model

  • معرفی Introduction

  • مرحله 1 - واکشی و بارگیری داده ها Step 1 - Fetch and Load Data

  • مرحله 2 و 3 - EDA و تجسم داده ها Step 2 and 3 - EDA and Data Visualization

  • مرحله 4 - تعریف مدل Step 4 - Defining the Model

  • مرحله 5 و 6 - کامپایل Fit و رسم مدل Step 5 and 6 - Compile Fit and Plot the Model

  • مرحله 7 - پیش بینی کیفیت شراب با استفاده از مدل Step 7 - Predicting Wine Quality using Model

  • سریال‌سازی و ذخیره مدل آموزش‌دیده برای استفاده بعدی Serialize and Save Trained Model for Later Use

مبانی تصویر دیجیتال Digital Image Basics

  • تصویر دیجیتال Digital Image

  • پردازش تصویر پایه با استفاده از توابع Keras - قسمت 1 Basic Image Processing Using Keras Functions - Part 1

  • پردازش تصویر پایه با استفاده از توابع Keras - قسمت 2 Basic Image Processing Using Keras Functions - Part 2

  • پردازش تصویر پایه با استفاده از توابع Keras - قسمت 3 Basic Image Processing Using Keras Functions - Part 3

تقویت تصویر Image Augmentation

  • Keras Single Image Augmentation - قسمت 1 Keras Single Image Augmentation - Part 1

  • Keras Single Image Augmentation - قسمت 2 Keras Single Image Augmentation - Part 2

  • Keras Directory Image Augmentation Keras Directory Image Augmentation

  • تقویت قاب داده Keras Keras Data Frame Augmentation

شبکه عصبی کانولوشنال Convolutional Neural Network

  • CNN (شبکه های عصبی کانولوشنال) مبانی CNN (Convolutional Neural Networks) Basics

  • مفاهیم گام به گام و صاف کردن CNN Stride Padding and Flattening Concepts of CNN

مدل طبقه بندی تصویر گل CNN Flowers CNN Image Classification Model

  • بارگیری و آماده سازی داده ها Fetch Load and Prepare Data

  • پوشه های تست و آموزش ایجاد کنید Create Test and Train Folders

  • تعریف مدل - قسمت 1 Defining the Model - Part 1

  • تعریف مدل - قسمت 2 Defining the Model - Part 2

  • تعریف مدل - قسمت 3 Defining the Model - Part 3

  • آموزش و تجسم Training and Visualization

  • ذخیره مدل برای استفاده بعدی Save Model for Later Use

  • مدل ذخیره شده را بارگیری و پیش بینی کنید Load Saved Model and Predict

  • بهبود مدل - تکنیک های بهینه سازی Improving Model - Optimization Techniques

  • تنظیم ترک تحصیل Dropout Regularization

  • بالشتک و بهینه سازی فیلتر Padding and Filter Optimization

  • بهینه سازی افزایش Augmentation Optimization

  • تنظیم Hyper Parameter - قسمت 1 Hyper Parameter Tuning - Part 1

  • تنظیم Hyper Parameter - قسمت 2 Hyper Parameter Tuning - Part 2

انتقال یادگیری با استفاده از مدل های از پیش آموزش دیده Transfer Learning Using Pretrained Models

  • مقدمه VGG VGG Introduction

پیش بینی VGG16 و VGG19 VGG16 and VGG19 Prediction

  • پیش بینی VGG16 و VGG19 - قسمت 1 VGG16 and VGG19 Prediction - Part 1

  • پیش بینی VGG16 و VGG19 - قسمت 2 VGG16 and VGG19 Prediction - Part 2

ResNet50 ResNet50

  • پیش‌بینی ResNet50 ResNet50 Prediction

مجموعه داده گل آموزش آموزش انتقال Transfer Learning Training Flowers Dataset

  • VGG16 - قسمت 1 VGG16 - Part 1

  • VGG16 - قسمت 2 VGG16 - Part 2

آموزش انتقالی پیش بینی گل Transfer Learning Flower Prediction

  • VGG16 انتقال آموزش پیش بینی گل VGG16 Transfer Learning Flower Prediction

آموزش انتقال VGG16 با استفاده از GPU Google Colab VGG16 Transfer Learning Using Google Colab GPU

  • آماده سازی و آپلود مجموعه داده Preparing and Uploading Dataset

  • آموزش و پیش بینی Training and Prediction

VGG19 Transfer Learning با استفاده از Google Colab GPU VGG19 Transfer Learning using Google Colab GPU

  • آموزش و پیش بینی Training and Prediction

ResNet-50 Transfer Learning با استفاده از Google Colab GPU ResNet-50 Transfer Learning using Google Colab GPU

  • آموزش و پیش بینی Training and Prediction

نمایش نظرات

یادگیری عمیق با استفاده از Keras - راهنمای کامل و فشرده برای مبتدیان [ویدئو]
جزییات دوره
9 h 34 m
80
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

Abhilash Nelson Abhilash Nelson

استاد و برنامه نویس ارشد مهندسی کامپیوتر در دبی من یک پیشگام ، با استعداد و امنیت گرا Android/iOS Mobile و PHP/Python Web Developer Application Developer با بیش از هشت سال تجربه کلی فناوری اطلاعات که شامل طراحی ، پیاده سازی ، یکپارچه سازی ، آزمایش و حمایت از تأثیر است برنامه های کامل وب و تلفن همراه. من دارنده مدرک کارشناسی ارشد کارشناسی ارشد در رشته علوم کامپیوتر و مهندسی هستم. تجربه من با برنامه نویسی PHP/Python یک مزیت اضافی برای برنامه های سرویس گیرنده Android و iOS مبتنی بر سرور است. من در حال حاضر تمام وقت به عنوان یک معمار ارشد راه حل مشغول به کار هستم که پروژه های مشتری خود را از ابتدا تا انتها مدیریت می کنم تا از طراحی با کیفیت ، ابتکاری و کاربردی اطمینان حاصل کنم.