آموزش شبکه‌های عصبی بازگشتی (RNNs) - آخرین آپدیت

دانلود Recurrent Neural Networks (RNNs)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: بسیاری از سیستم‌های واقعی بر داده‌های متوالی (Sequential Data) متکی هستند، اما همیشه مشخص نیست که از کدام مدل یادگیری عمیق برای پیش‌بینی یا تشخیص الگوها استفاده شود. در دوره شبکه‌های عصبی بازگشتی (RNNs)، شما توانایی مدل‌سازی توالی‌ها با استفاده از معماری‌های بازگشتی مدرن را کسب خواهید کرد. ابتدا بررسی می‌کنید که RNNهای ساده چگونه اطلاعات زمانی را نمایش می‌دهند و آن‌ها را در یک مسئله پیش‌بینی سری‌های زمانی واقعی به کار می‌گیرید. سپس، خواهید دید که چگونه مدل‌های LSTM و GRU از طریق مکانیزم‌های گیتینگ (Gating)، پایداری و دقت آموزش را بهبود می‌بخشند. در نهایت، یاد می‌گیرید که مدل‌های مبتنی بر توجه (Attention) چگونه این ایده‌ها را گسترش داده و وابستگی‌های طولانی‌مدت را مدیریت می‌کنند. پس از اتمام این دوره، شما مهارت و دانش لازم برای مدل‌سازی توالی‌های بازگشتی را خواهید داشت تا بتوانید مناسب‌ترین مدل را برای وظایف داده‌های متوالی خود انتخاب، آموزش و ارزیابی کنید.

سرفصل ها و درس ها

مبانی RNN برای پیش‌بینی سری‌های زمانی با داده‌های بار الکتریکی RNN Fundamentals for Time Series Forecasting with Electricity Load Data

  • داده‌های متوالی سری زمانی و مفاهیم RNN برای پیش‌بینی Sequential Time Series Data and RNN Concepts for Forecasting

  • پیاده‌سازی مدل پیش‌بینی RNN ساده و مقایسه با خط مبنا Implementing a Simple RNN Forecasting Model and Baseline Comparison

مدل‌های LSTM و GRU برای پیش‌بینی سری‌های زمانی طولانی و آموزش پایدار LSTM and GRU Models for Long Time Series Forecasting and Stable Training

  • رفتار RNN در سری‌های زمانی طولانی و چالش‌های گرادینت RNN Behavior on Long Time Series and Gradient Issues

  • مقایسه LSTM، GRU و RNN در پیش‌بینی بار الکتریکی Comparing LSTM, GRU, and RNN on Electricity Load Forecasting

از RNNها تا مکانیزم توجه و ترنسفورمرها برای مدل‌سازی توالی‌های بلندمدت From RNNs to Attention and Transformers for Long-range Sequence Modeling

  • مفاهیم Seq2Seq، تکنیک Teacher Forcing و مکانیزم‌های توجه در پیش‌بینی سری زمانی Seq2Seq Concepts, Teacher Forcing, and Attention Mechanisms for Time Series Forecasting

  • پیش‌بینی چندگامی (Multi-step) با استفاده از ترنسفورمرها Multi-step Forecasting with Transformers

نمایش نظرات

آموزش شبکه‌های عصبی بازگشتی (RNNs)
جزییات دوره
50m
6
(آخرین آپدیت)
2
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Nicolae Caprarescu Nicolae Caprarescu

نیکولای که اکنون یک مشاور مستقل است ، کار خود را از سال 2013 به عنوان مهندس نرم افزار آغاز کرد. طی سالهای گذشته ، نیکولای روی سیستم هایی از موتورهای تجاری جاوا با فرکانس بالا گرفته تا برنامه های مختلف برای شرکت های نوپا کار می کرد. نقش های فنی نیکولای همیشه کاملاً پشته بوده است ، که بیشتر اوقات بر روی انتهای جاوا و جلویی های تحت وب متمرکز بوده است: Java، Spring، JDBC، SQL، Maven، Gradle، TeamCity، Jenkins، TDD، JUnit، تست اتوماتیک ، جاوا اسکریپت ، سلنیوم و RESTful. علایق فنی نیکولای شامل یادگیری ماشین ، معماری نرم افزار و یافتن تعادل مناسب بین استفاده از زبان های تایپ شده ثابت در برابر زبان های تایپ شده پویا است. نیکولای همچنین از استقبال تیمها با پذیرفتن ارزشهای Agile و القا آنها به هر تیمی که بتواند ، لذت می برد. نیکولای دارای مدرک لیسانس درجه یک در رشته علوم کامپیوتر از دانشگاه منچستر است ، و در آنجا اشتیاق خود را برای تدریس هنگام راهنمایی سایر دانشجویان کشف کرد. نیکولای همچنین از مسافرت و اتومبیلرانی لذت می برد.