لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
پیاده سازی الگوریتم های یادگیری عمیق با TensorFlow 2.0 [ویدئو]
Implementing Deep Learning Algorithms with TensorFlow 2.0 [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری عمیق باعث احیای هوش مصنوعی شده است. این روش به روش غالب برای تشخیص گفتار (دستیار Google)، بینایی رایانه (جستجوی «تصاویر من» در Google Photos)، ترجمه زبان، و حتی هوش مصنوعی مرتبط با بازی (به AlphaGo و DeepMind) تبدیل شده است. اگر میخواهید یاد بگیرید که این سیستمها چگونه کار میکنند و شاید خودتان آن را بسازید، Deep Learning برای شما مناسب است!
در این دوره، درک کاملی از مدلهای یادگیری عمیق به دست خواهید آورد و از تکنیکهای یادگیری عمیق برای حل مسائل تجاری و سایر مشکلات دنیای واقعی برای پیشبینی سریع و آسان استفاده میکنید. شما رویکردهای مختلف یادگیری عمیق مانند CNN، RNN و LSTM را یاد خواهید گرفت و آنها را با TensorFlow 2.0 پیاده سازی خواهید کرد. شما یک مدل برای طبقه بندی سرطان سینه، پیش بینی قیمت های بازار سهام، پردازش متن به عنوان بخشی از پردازش زبان طبیعی (NLP) و موارد دیگر برنامه ریزی خواهید کرد.
در پایان این دوره، شما درک کاملی برای استفاده از قدرت TensorFlow 2.0 برای آموزش مدلهای یادگیری عمیق با پیچیدگیهای مختلف، بدون هیچ زحمتی خواهید داشت.
توجه داشته باشید که نصب Miniconda و TensorFlow 2.0 برای گذراندن این دوره مورد نیاز است.
تمام کدها و فایلهای پشتیبانی این دوره در GitHub در https://github.com/PacktPublishing/Implementing-Deep-Learning-Algorithms-with-TensorFlow-2.0 در دسترس هستند. حل شده و می تواند حل شود
معماری های مختلف مدل یادگیری عمیق را مطالعه کنید و با آنها کار کنید
از مدلهای شبکه عصبی، یادگیری عمیق، NLP و LSTM برای چندین سناریو طبقهبندی دادههای متنوع، از جمله طبقهبندی سرطان سینه استفاده کنید. پیش بینی داده های بازار سهام برای گوگل؛ طبقه بندی موضوعات خبری رویترز؛ و طبقه بندی گونه های گل
مهارت های تازه کسب شده خود را در طیف گسترده ای از سناریوهای عملی و واقعی به کار ببرید این دوره برای مهندسین یادگیری ماشین، مهندسان یادگیری عمیق و سایر متخصصان علم داده است. هیچ دانشی از TensorFlow 1.x لازم نیست. دانش پایه پایتون فرض شده است.
توجه داشته باشید که نصب Miniconda و TensorFlow 2.0 برای گذراندن این دوره مورد نیاز است. به دست آوردن دانش Deep Learning، یکی از قدرتمندترین فناوریها برای پیشبینی، طبقهبندی و ترجمه دادهها * پیادهسازی مدلهای مختلف یادگیری عمیق و مطالعه نمونههای کدگذاری شده در پایتون با استفاده از TensorFlow 2.0. کسب دانش و مهارتهای عملی که میتوان برای آنها استفاده کرد. مجموعه ای از مشکلات در امور مالی، مراقبت های بهداشتی و سایر زمینه ها
سرفصل ها و درس ها
معرفی یادگیری عمیق و راه اندازی محیط
Deep Learning Introduction and Environment Setup
بررسی اجمالی دوره
The Course Overview
یادگیری عمیق چیست؟
What Is Deep Learning?
مقدمه ای بر TensorFlow
Introduction to TensorFlow
چه چیزی در TensorFlow 2.0 جدید است؟
What's New in TensorFlow 2.0?
تنظیم محیط برای TensorFlow 2.0
Setting Up Environment for TensorFlow 2.0
ساخت اولین شبکه عصبی برای داده های جدولی با TensorFlow 2.0
Building First Neural Network for Tabular Data with TensorFlow 2.0
خط لوله برای ساخت شبکه عصبی
Pipeline for Building Neural Network
انتشار رو به جلو
Forward Propagation
توابع از دست دادن
Loss Functions
پس انتشار
Backpropagation
ایجاد اولین شبکه عصبی
Creating First Neural Network
شبکه های عصبی کانولوشن با TensorFlow 2.0
Convolutional Neural Networks with TensorFlow 2.0
مقدمه ای بر مبانی CNN و عملکرد آن
Introduction to CNN Basics and Its Working
مشکل طبقه بندی علائم راهنمایی و رانندگی
Traffic Sign Classification Problem
ساخت شبکه عصبی کانولوشن
Building a Convolution Neural Network
آموزش و ارزیابی شبکه عصبی کانولوشن
Training and Evaluating a Convolution Neural Network
شبکه عصبی مکرر با TensorFlow 2.0
Recurrent Neural Network with TensorFlow 2.0
مقدمه ای بر شبکه های عصبی بازگشتی
Introduction to Recurrent Neural Networks
آموزش شبکه عصبی بازگشتی
Training a Recurrent Neural Network
نتایج آموزش و آزمون
Training and Testing Results
شبکه های حافظه کوتاه مدت بلند مدت (LSTM)
Long Short-Term Memory Networks (LSTM)
مشکلات RNN وانیلی ساده
Problems Of Plain Vanilla RNN
آموزش شبکه LSTM
Training a LSTM Network
آزمایش شبکه LSTM
Testing a LSTM Network
انتقال یادگیری با TensorFlow 2.0
Transfer Learning with TensorFlow 2.0
مقدمه ای بر یادگیری انتقالی
Introduction to Transfer Learning
آموزش شبکه با استفاده از آموزش انتقال
Training a Network Using Transfer Learning
آزمایش شبکه آموزش دیده با استفاده از آموزش انتقال
Testing a Network Trained Using Transfer Learning
هاروین سینگ چادا یک محقق باتجربه در زمینه یادگیری عمیق است و در حال حاضر به عنوان مهندس خودروی خودران مشغول به کار است. او بر ایجاد یک پلت فرم سیستم های پیشرفته کمک راننده (ADAS) متمرکز است. اشتیاق او کمک به افرادی است که می خواهند وارد دنیای علم داده شوند. او نویسنده دوره ویدیویی برنامه نویسی شبکه عصبی دستی با تنسورفلو است.
نمایش نظرات