آموزش PyTorch - شبکه های عصبی و یادگیری عمیق در پایتون

PyTorch Tutorial - Neural Networks & Deep Learning in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Pytorch - مقدمه ای بر شبکه های عصبی یادگیری عمیق: آموزش برنامه های کاربردی شبکه عصبی: مدل شبکه عصبی هوش مصنوعی اصول یادگیری عمیق - شروع به کار با Anaconda، یک محیط مهم علوم داده پایتون، برنامه های کاربردی شبکه عصبی شبکه عصبی Python - پیکربندی محیط آناکوندا برای شروع با PyTorch مقدمه ای در Deep آموزش شبکه های عصبی - زیربنای نظری مفاهیم مهم (مانند یادگیری عمیق) بدون اصطلاحات تخصصی شبکه های عصبی هوش مصنوعی - پیاده سازی شبکه های عصبی مصنوعی (ANN) با مدل شبکه عصبی PyTorch - پیاده سازی مدل های یادگیری عمیق (DL) با PyTorch Deep Learning AI - پیاده سازی الگوریتم های رایج یادگیری ماشین برای طبقه بندی تصاویر شبکه های عصبی یادگیری عمیق - پیاده سازی الگوریتم های یادگیری عمیق مبتنی بر PyTorch بر روی داده های تصویری پیش نیازها: توانایی نصب محیط آناکوندا بر روی کامپیوتر/لپ تاپ شما بدانید چگونه بسته ها را در آناکوندا نصب و بارگذاری کنید علاقه به یادگیری برای پردازش برای پیروی از کد، دانش اولیه داده های تصویری از نحو و مفاهیم برنامه نویسی پایتون لازم است (به عنوان مثال. توابع و جریان های برنامه نویسی) قرار گرفتن قبلی در معرض مفاهیم علوم داده پایتون مفید خواهد بود

تسلط بر جدیدترین و داغترین چارچوب های یادگیری عمیق (PyTorch) برای علوم داده پایتون

این یک آموزش کامل یادگیری عمیق شبکه های عصبی با پایتورچ در پایتون است!

این یک بوت کمپ کامل +5 ساعته PyTorch است که به شما کمک می‌کند تا با استفاده از یکی از مهم‌ترین چارچوب‌های یادگیری عمیق پایتون - PyTorch، یادگیری ماشین اولیه، شبکه‌های عصبی و یادگیری عمیق را بیاموزید.

به همین دلیل باید در این دوره ثبت نام کنید:

این دوره راهنمای کامل شما برای یادگیری عمیق ماشینی عملی با استفاده از چارچوب PyTorch در پایتون است..

این بدان معناست که این دوره جنبه های مهم PyTorch را پوشش می دهد و اگر این دوره را گذرانده اید، می توانید از گذراندن دوره های دیگر یا خرید کتاب در PyTorch صرف نظر کنید.

در این عصر داده‌های بزرگ، شرکت‌ها در سرتاسر جهان از پایتون برای بررسی بهمن اطلاعاتی که در اختیار دارند استفاده می‌کنند و ظهور چارچوب‌هایی مانند PyTorch، یادگیری عمیق را متحول می‌کند...

با کسب مهارت در PyTorch، می توانید به شرکت خود مزیت رقابتی بدهید و حرفه 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 PYTORCH 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 PyTorch می دهد.

بر خلاف سایر دوره‌ها و کتاب‌های پایتون، شما در واقع یاد خواهید گرفت که از PyTorch روی داده‌های واقعی استفاده کنید! بسیاری از منابع دیگری که من با آنها مواجه شدم، نحوه استفاده از PyTorch را در مجموعه داده‌های داخلی که کاربرد محدودی دارند، نشان دادند.

کشف 7 بخش کامل که به هر جنبه ای از PYTORCH می پردازد:

• مقدمه ای کامل بر علم داده پایتون و چارچوب قدرتمند مبتنی بر پایتون برای علم داده، آناکوندا
• شروع به کار با نوت بوک های Jupyter برای پیاده سازی تکنیک های علم داده در پایتون
• ارائه جامع درباره نصب PyTorch و مختصری مقدمه ای بر سایر بسته های علم داده پایتون
• معرفی مختصر بر کار بسته های مهم علم داده مانند Pandas و Numpy
• مبانی نحو و تانسور PyTorch
• اصول کار با تصاویر داده ها در پایتون
• نظریه پشت مفاهیم شبکه های عصبی مانند شبکه های عصبی مصنوعی، شبکه های عصبی عمیق و شبکه های عصبی کانولوشن (CNN)
• شما حتی خواهید فهمید که چگونه شبکه های عصبی مصنوعی و ساختارهای یادگیری عمیق را با PyTorch ایجاد کنید. (در داده های واقعی)

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

شما با جذب ارزشمندترین اصول و تکنیک های PyTorch 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 PIL برای کار با داده های واقعی در پایتون و همچنین تسلط بر PyTorch 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 اعمال کنید، شروع به تجزیه و تحلیل داده ها برای پروژه های خود در هر سطح مهارت خود کنید، و کارفرمایان بالقوه خود را با نمونه های واقعی داده های خود تحت تاثیر قرار دهید. توانایی های علمی.

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. برخی از مشکلاتی که ما حل خواهیم کرد شامل شناسایی کلاهبرداری کارت اعتباری و طبقه بندی تصاویر میوه های مختلف است.

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!

#عمیق #یادگیری #عصبی #شبکه #پایتون #آی #برنامه نویسی


سرفصل ها و درس ها

مقدمه دوره - به PyTorch Primer خوش آمدید Introduction To the Course - Welcome to the PyTorch Primer

  • به PyTorch خوش آمدید Welcome to PyTorch

  • داده ها و اسکریپت ها Data and Scripts

  • با محیط علم داده پایتون شروع کنید: آناکوندا Get Started With the Python Data Science Environment: Anaconda

  • Anaconda برای کاربران مک Anaconda for Mac Users

  • محیط آی پایتون The iPython Environment

  • چرا PyTorch؟ Why PyTorch?

  • PyTorch را نصب کنید Install PyTorch

  • نصب دستورالعمل های نوشته شده توسط PyTorch Installing PyTorch-Written Instructions

  • دستورالعمل های نصب بیشتر برای مک Further Installation Instructions for Mac

  • کار با CoLabs Working With CoLabs

مقدمه دوره - به PyTorch Primer خوش آمدید Introduction To the Course - Welcome to the PyTorch Primer

  • به PyTorch خوش آمدید Welcome to PyTorch

  • داده ها و اسکریپت ها Data and Scripts

  • با محیط علم داده پایتون شروع کنید: آناکوندا Get Started With the Python Data Science Environment: Anaconda

  • Anaconda برای کاربران مک Anaconda for Mac Users

  • محیط آی پایتون The iPython Environment

  • چرا PyTorch؟ Why PyTorch?

  • PyTorch را نصب کنید Install PyTorch

  • نصب دستورالعمل های نوشته شده توسط PyTorch Installing PyTorch-Written Instructions

  • دستورالعمل های نصب بیشتر برای مک Further Installation Instructions for Mac

  • کار با CoLabs Working With CoLabs

مقدمه ای بر بسته های علوم داده پایتون (غیر از PyTorch) Introduction to Python Data Science Packages (Other Than PyTorch)

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

  • معرفی Numpy Introduction to Numpy

  • آرایه های Numpy ایجاد کنید Create Numpy Arrays

  • عملیات Numpy Numpy Operations

  • Numpy برای محاسبات برداری پایه Numpy for Basic Vector Arithmetric

  • Numpy برای محاسبات ماتریس پایه Numpy for Basic Matrix Arithmetic

  • مبانی PyTorch: تانسور چیست؟ PyTorch Basics: What Is a Tensor?

  • تانسورهای PyTorch و آرایه‌های Numpy را کاوش کنید Explore PyTorch Tensors and Numpy Arrays

  • برخی از عملیات پایه تنسور PyTorch Some Basic PyTorch Tensor Operations

مقدمه ای بر بسته های علوم داده پایتون (غیر از PyTorch) Introduction to Python Data Science Packages (Other Than PyTorch)

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

  • معرفی Numpy Introduction to Numpy

  • آرایه های Numpy ایجاد کنید Create Numpy Arrays

  • عملیات Numpy Numpy Operations

  • Numpy برای محاسبات برداری پایه Numpy for Basic Vector Arithmetric

  • Numpy برای محاسبات ماتریس پایه Numpy for Basic Matrix Arithmetic

  • مبانی PyTorch: تانسور چیست؟ PyTorch Basics: What Is a Tensor?

  • تانسورهای PyTorch و آرایه‌های Numpy را کاوش کنید Explore PyTorch Tensors and Numpy Arrays

  • برخی از عملیات پایه تنسور PyTorch Some Basic PyTorch Tensor Operations

سایر بسته های علوم داده پایتون برای مقابله با داده ها Other Python Data Science Packages For Dealing With Data

  • خواندن در داده های CSV Read in CSV data

  • خواندن در داده های اکسل Read in Excel data

  • اکتشاف داده های اولیه با پانداها Basic Data Exploration With Pandas

سایر بسته های علوم داده پایتون برای مقابله با داده ها Other Python Data Science Packages For Dealing With Data

  • خواندن در داده های CSV Read in CSV data

  • خواندن در داده های اکسل Read in Excel data

  • اکتشاف داده های اولیه با پانداها Basic Data Exploration With Pandas

تجزیه و تحلیل آماری پایه با PyTorch Basic Statistical Analysis With PyTorch

  • حداقل مربعات معمولی (OLS) رگرسیون- نظریه Ordinary Least Squares (OLS) Regression- Theory

  • رگرسیون خطی OLS - بدون PyTorch OLS Linear Regression-Without PyTorch

  • رگرسیون خطی OLS از اصول اول - نظریه OLS Linear Regression From First Principles-Theory

  • رگرسیون خطی OLS از اصول اولیه - بدون PyTorch OLS Linear Regression From First Principles-Without PyTorch

  • رگرسیون خطی OLS از اصول اولیه-با PyTorch OLS Linear Regression From First Principles-With PyTorch

  • OLS بیشتر با PyTorch More OLS With PyTorch

  • مدل های خطی تعمیم یافته (GLMs) - نظریه Generalised Linear Models (GLMs)-Theory

  • رگرسیون لجستیک - بدون PyTorch Logistic Regression-Without PyTorch

  • رگرسیون لجستیک-با PyTorch Logistic Regression-With PyTorch

تجزیه و تحلیل آماری پایه با PyTorch Basic Statistical Analysis With PyTorch

  • حداقل مربعات معمولی (OLS) رگرسیون- نظریه Ordinary Least Squares (OLS) Regression- Theory

  • رگرسیون خطی OLS - بدون PyTorch OLS Linear Regression-Without PyTorch

  • رگرسیون خطی OLS از اصول اول - نظریه OLS Linear Regression From First Principles-Theory

  • رگرسیون خطی OLS از اصول اولیه - بدون PyTorch OLS Linear Regression From First Principles-Without PyTorch

  • رگرسیون خطی OLS از اصول اولیه-با PyTorch OLS Linear Regression From First Principles-With PyTorch

  • OLS بیشتر با PyTorch More OLS With PyTorch

  • مدل های خطی تعمیم یافته (GLMs) - نظریه Generalised Linear Models (GLMs)-Theory

  • رگرسیون لجستیک - بدون PyTorch Logistic Regression-Without PyTorch

  • رگرسیون لجستیک-با PyTorch Logistic Regression-With PyTorch

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

  • مقدمه ای بر ANN Introduction to ANN

  • نحو PyTorch ANN PyTorch ANN Syntax

  • توابع فعال سازی چیست؟ تئوری What Are Activation Functions? Theory

  • بیشتر در مورد پس انتشار More on Backpropagation

  • آوردن آنها با هم Bringing Them Together

  • راه اندازی تجزیه و تحلیل ANN با PyTorch Setting Up ANN Analysis With PyTorch

  • تجزیه و تحلیل DNN با PyTorch DNN Analysis with PyTorch

  • DNN های بیشتر More DNNs

  • DNN برای شناسایی تقلب در کارت اعتباری DNNs For Identifying Credit Card Fraud

  • توضیحی در مورد معیارهای دقت An Explanation of Accuracy Metrics

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

  • مقدمه ای بر ANN Introduction to ANN

  • نحو PyTorch ANN PyTorch ANN Syntax

  • توابع فعال سازی چیست؟ تئوری What Are Activation Functions? Theory

  • بیشتر در مورد پس انتشار More on Backpropagation

  • آوردن آنها با هم Bringing Them Together

  • راه اندازی تجزیه و تحلیل ANN با PyTorch Setting Up ANN Analysis With PyTorch

  • تجزیه و تحلیل DNN با PyTorch DNN Analysis with PyTorch

  • DNN های بیشتر More DNNs

  • DNN برای شناسایی تقلب در کارت اعتباری DNNs For Identifying Credit Card Fraud

  • توضیحی در مورد معیارهای دقت An Explanation of Accuracy Metrics

شبکه های عصبی روی تصاویر Neural Networks on Images

  • تصاویر چیست؟ What Are Images?

  • در تصاویر در پایتون بخوانید Read in Images in Python

  • تبدیل تصویر پایه Basic Image Conversions

  • چرا هوش مصنوعی و یادگیری عمیق؟ Why AI and Deep Learning?

  • شبکه های عصبی مصنوعی (ANN) برای طبقه بندی تصاویر Artificial Neural Networks (ANN) For Image Classification

  • شبکه های عصبی عمیق (DNN) برای طبقه بندی تصاویر Deep Neural Networks (DNN) For Image Classification

شبکه های عصبی روی تصاویر Neural Networks on Images

  • تصاویر چیست؟ What Are Images?

  • در تصاویر در پایتون بخوانید Read in Images in Python

  • تبدیل تصویر پایه Basic Image Conversions

  • چرا هوش مصنوعی و یادگیری عمیق؟ Why AI and Deep Learning?

  • شبکه های عصبی مصنوعی (ANN) برای طبقه بندی تصاویر Artificial Neural Networks (ANN) For Image Classification

  • شبکه های عصبی عمیق (DNN) برای طبقه بندی تصاویر Deep Neural Networks (DNN) For Image Classification

مقدمه ای بر هوش مصنوعی (AI) و یادگیری عمیق Introduction to Artificial Intelligence (AI) and Deep Learning

  • CNN چیست؟ What is CNN?

  • پیاده سازی CNN بر روی داده های تصویری Implement CNN on Imagery Data

  • بیشتر در CNN More on CNN

  • CNN را با استفاده از یک مدل از پیش آموزش دیده پیاده سازی کنید Implement CNN Using a Pre-Trained Model

مقدمه ای بر هوش مصنوعی (AI) و یادگیری عمیق Introduction to Artificial Intelligence (AI) and Deep Learning

  • CNN چیست؟ What is CNN?

  • پیاده سازی CNN بر روی داده های تصویری Implement CNN on Imagery Data

  • بیشتر در CNN More on CNN

  • CNN را با استفاده از یک مدل از پیش آموزش دیده پیاده سازی کنید Implement CNN Using a Pre-Trained Model

سخنرانی های متفرقه Miscellaneous Lectures

  • انواع داده های مختلف Different Data Types

سخنرانی های متفرقه Miscellaneous Lectures

  • انواع داده های مختلف Different Data Types

نمایش نظرات

آموزش PyTorch - شبکه های عصبی و یادگیری عمیق در پایتون
جزییات دوره
6.5 hours
52
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
992
4.2 از 5
ندارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

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