مبانی شبکه های عصبی [ویدئو]

Fundamentals of Neural Networks [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری می تواند تحت نظارت، نیمه نظارت یا بدون نظارت باشد. معماری‌های یادگیری عمیق مانند شبکه‌های عصبی عمیق، شبکه‌های باور عمیق، یادگیری تقویتی عمیق، شبکه‌های عصبی مکرر و شبکه‌های عصبی کانولوشن در زمینه‌هایی از جمله بینایی کامپیوتر، تشخیص گفتار، پردازش زبان طبیعی، ترجمه ماشینی، بیوانفورماتیک، طراحی دارو، استفاده شده‌اند. برنامه‌های تجزیه و تحلیل تصویر پزشکی، بازرسی مواد و برنامه‌های بازی تخته‌ای، که در آن نتایجی قابل مقایسه با عملکرد متخصص انسان و در برخی موارد از آنها پیشی گرفته‌اند. این دوره سه بخش زیر را پوشش می دهد: (1) شبکه های عصبی، (2) شبکه های عصبی کانولوشن (CNN) و (3) شبکه های عصبی تکراری (RNN). شما با رگرسیون لجستیک و رگرسیون خطی آشنا خواهید شد و هدف شبکه های عصبی را خواهید دانست. شما همچنین انتشار رو به جلو و عقب و همچنین تابع آنتروپی متقابل را درک خواهید کرد. علاوه بر این، داده های تصویر، عملیات کانولوشن و شبکه های باقیمانده را کاوش خواهید کرد. در بخش آخر دوره، استفاده از RNN، واحد بازگشتی دردار (GRU) و حافظه کوتاه مدت بلند مدت (LSTM) را خواهید فهمید. همچنین بلوک‌های کد و دفترچه‌هایی برای کمک به درک موضوعات مطرح شده در دوره خواهید داشت. در پایان این دوره، درک عملی از شبکه های عصبی با جزئیات خواهید داشت. همه منابع و فایل های کد در اینجا قرار می گیرند: https://github.com/PacktPublishing/Fundamentals-in-Neural-Networks درباره رگرسیون خطی و لجستیک در ANN بیاموزید. با آنتروپی متقاطع بین دو توزیع احتمال آشنا شوید درک عملیات پیچیدگی که ورودی ها را با توجه به ابعاد آنها اسکن می کند VGG16، یک مدل شبکه عصبی کانولوشنال را درک کنید درک چرایی استفاده از شبکه عصبی مکرر درک حافظه کوتاه مدت (LSTM) این دوره را می توان توسط مخاطبان سطح مبتدی که قصد دارند یک نمای کلی از هوش مصنوعی، یادگیری عمیق و سه نوع اصلی شبکه های عصبی: شبکه های عصبی مصنوعی، شبکه های عصبی کانولوشنال به دست آورند، بگذرانند. و شبکه های عصبی مکرر. نیازی به کدنویسی یا تجربه برنامه نویسی قبلی نیست. این دوره فرض می کند که شما لپ تاپ خود را دارید و کد با استفاده از Colab انجام می شود. درک شهود پشت شبکه‌های عصبی مصنوعی، شبکه‌های عصبی کانولوشن، و شبکه‌های عصبی مکرر درک انتشار به عقب و جلو در شبکه‌های عصبی دو طرفه بازگشتی (BRNN)

سرفصل ها و درس ها

خوش آمدی Welcome

  • پیام خوش آمد Welcome Message

  • طرح کلی دوره Course Outline

شبکه های عصبی مصنوعی Artificial Neural Networks

  • رگرسیون خطی Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • هدف از شبکه های عصبی Purpose of Neural Networks

  • انتشار رو به جلو Forward Propagation

  • انتشار به عقب Backward Propagation

  • تابع فعال سازی Activation Function

  • تابع از دست دادن متقابل آنتروپی Cross-Entropy Loss Function

  • گرادیان نزول Gradient Descent

  • آزمایشگاه 1 - مقدمه ای بر پایتون Lab 1 - Introduction to Python

  • آزمایشگاه 2 - مقدمه ای بر TensorFlow - حذف صدای پاک کننده گلو در ابتدای ویدیو Lab 2 - Introduction to TensorFlow — Remove the Throat-Clearing Sound in the Start of the Video

  • آزمایشگاه 3 - مقدمه ای بر شبکه عصبی Lab 3 - Introduction to Neural Network

  • آزمایشگاه 4 - API عملکردی Lab 4 - Functional API

  • آزمایشگاه 5 - ساخت مدل عمیق تر و گسترده تر Lab 5 - Building Deeper and Wider Model

شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • داده های تصویری Image Data

  • تانسور و ماتریس Tensor and Matrix

  • عملیات کانولوشن Convolutional Operation

  • لایه گذاری Padding

  • گام های بلند برداشتن Stride

  • پیچیدگی در دو بعدی و سه بعدی Convolution in 2D and 3D

  • VGG16 VGG16

  • شبکه باقیمانده Residual Network

  • آزمایشگاه 1 - مقدمه ای بر کانولوشن 1-بعدی Lab 1 - Introduction to Convolutional 1-Dimensional

  • آزمایشگاه 2 - مقدمه ای بر CNN Lab 2 - Introduction to CNN

  • آزمایشگاه 3 - Deep CNN Lab 3 - Deep CNN

  • آزمایشگاه 4 - آموزش انتقال Lab 4 - Transfer Learning

شبکه های عصبی مکرر Recurrent Neural Networks

  • به RNN خوش آمدید Welcome to RNN

  • چرا از RNN استفاده کنید Why Use RNN

  • پردازش زبان Language Processing

  • انتشار رو به جلو در RNN Forward Propagation in RNN

  • انتشار به عقب در طول زمان Backward Propagation Through Time

  • واحد بازگشتی دردار (GRU) Gated Recurrent Unit (GRU)

  • حافظه بلند مدت کوتاه مدت (LSTM) Long Short-Term Memory (LSTM)

  • RNN دو جهته Bi-Directional RNN

  • آزمایشگاه 1 - RNN در طبقه بندی متن Lab 1 - RNN in Text Classification

  • آزمایشگاه 2 - Sequence to Sequence Stock Candlestick Forecast Lab 2 - Sequence to Sequence Stock Candlestick Forecast

نمایش نظرات

مبانی شبکه های عصبی [ویدئو]
جزییات دوره
6 h 37 m
37
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

Yiqiao Yin Yiqiao Yin

Yiqiao Yin دانشجوی دکترای آمار در دانشگاه کلمبیا بود. او دارای لیسانس ریاضیات و کارشناسی ارشد در رشته مالی از دانشگاه روچستر است. او همچنین دارای طیف گسترده ای از علایق تحقیقاتی در یادگیری بازنمایی است: یادگیری ویژگی، یادگیری عمیق، بینایی کامپیوتر و NLP. Yiqiao Yin یک دانشمند ارشد داده در شرکت S&P 500 LabCorp است که راه حل های مبتنی بر هوش مصنوعی را برای تشخیص و توسعه دارو توسعه می دهد. او سمت‌های حرفه‌ای به‌عنوان دانشمند داده در سطح سازمانی در شرکت EURO STOXX 50 بایر، یک محقق کمی در AQR که بر روی استراتژی‌های کمی جایگزین برای مدیریت پورتفولیو و معاملات مبتنی بر عامل کار می‌کند، و معامله‌گر سهام در T3 Trading در وال استریت داشته است.

Yiqiao Yin Yiqiao Yin

Yiqiao Yin دانشجوی دکترای آمار در دانشگاه کلمبیا بود. او دارای لیسانس ریاضیات و کارشناسی ارشد در رشته مالی از دانشگاه روچستر است. او همچنین دارای طیف گسترده ای از علایق تحقیقاتی در یادگیری بازنمایی است: یادگیری ویژگی، یادگیری عمیق، بینایی کامپیوتر و NLP. Yiqiao Yin یک دانشمند ارشد داده در شرکت S&P 500 LabCorp است که راه حل های مبتنی بر هوش مصنوعی را برای تشخیص و توسعه دارو توسعه می دهد. او سمت‌های حرفه‌ای به‌عنوان دانشمند داده در سطح سازمانی در شرکت EURO STOXX 50 بایر، یک محقق کمی در AQR که بر روی استراتژی‌های کمی جایگزین برای مدیریت پورتفولیو و معاملات مبتنی بر عامل کار می‌کند، و معامله‌گر سهام در T3 Trading در وال استریت داشته است.