آموزش Bootcamp Tensorflow 2 و Keras Deep Learning را کامل کنید

Complete Tensorflow 2 and Keras Deep Learning Bootcamp

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: با جدیدترین کتابخانه Tensorflow 2 Google و Keras استفاده از Python برای یادگیری عمیق را بیاموزید! آموزش استفاده از TensorFlow 2.0 برای یادگیری عمیق از Keras API برای ساخت سریع مدل‌هایی استفاده کنید که روی Tensorflow 2 اجرا می‌شوند. ایجاد تصاویر استفاده از یادگیری عمیق برای انتقال سبک تولید متن با RNN و پردازش زبان طبیعی ارائه مدل‌های Tensorflow از طریق API استفاده از GPU برای یادگیری عمیق تسریع شده

این دوره شما را در مورد نحوه استفاده از آخرین چارچوب TensorFlow 2 گوگل برای ایجاد شبکه های عصبی مصنوعی برای یادگیری عمیق راهنمایی می کند! هدف این دوره ارائه راهنمای آسان برای درک پیچیدگی‌های چارچوب TensorFlow 2 گوگل به روشی است که به راحتی قابل درک باشد.

ما بر درک آخرین به‌روزرسانی‌های TensorFlow و استفاده از Keras API (API رسمی TensorFlow 2.0) برای ساخت سریع و آسان مدل‌ها تمرکز خواهیم کرد. در این دوره ما مدل هایی را برای پیش بینی قیمت خانه ها در آینده، طبقه بندی تصاویر پزشکی، پیش بینی داده های فروش آینده، تولید متن کامل جدید مصنوعی و بسیاری موارد دیگر خواهیم ساخت!

این دوره برای ایجاد تعادل بین تئوری و پیاده سازی عملی، با راهنمای کامل کدهای نوت بوک jupyter و اسلایدها و یادداشت های مرجع آسان طراحی شده است. ما همچنین تمرین های زیادی برای آزمایش مهارت های جدید شما در طول راه داریم!

این دوره موضوعات مختلفی از جمله

را پوشش می دهد
  • دوره Crash NumPy

  • دوره خرابی تجزیه و تحلیل داده پانداها

  • دوره خرابی تصویرسازی داده

  • مبانی شبکه عصبی

  • مبانی TensorFlow

  • اصول نحوی Keras

  • شبکه های عصبی مصنوعی

  • شبکه‌های با اتصال متراکم

  • شبکه های عصبی کانولوشنال

  • شبکه های عصبی مکرر

  • AutoEncoders

  • GAN ها - شبکه های متخاصم مولد

  • استقرار TensorFlow در تولید

  • و خیلی بیشتر!

Keras، یک استاندارد API کاربرپسند برای یادگیری ماشین، API مرکزی سطح بالای مورد استفاده برای ساخت و آموزش مدل‌ها خواهد بود. Keras API شروع به کار با TensorFlow 2 را آسان می‌کند. نکته مهم این است که Keras چندین API مدلسازی (متوالی، عملکردی و طبقه‌بندی فرعی) ارائه می‌کند، بنابراین می‌توانید سطح انتزاع مناسبی را برای پروژه خود انتخاب کنید. پیاده‌سازی TensorFlow شامل پیشرفت‌هایی از جمله اجرای مشتاقانه، برای تکرار فوری و اشکال‌زدایی بصری، و tf.data برای ایجاد خطوط لوله ورودی مقیاس‌پذیر است.

TensorFlow 2 انتقال ایده های جدید از مفهوم به کد و از مدل به انتشار را آسان می کند. TensorFlow 2.0 دارای تعدادی ویژگی است که امکان تعریف و آموزش مدل های پیشرفته را بدون کاهش سرعت یا عملکرد فراهم می کند

شرکت‌های بزرگ در سراسر جهان از جمله Airbnb، Ebay، Dropbox، Snapchat، Twitter، Uber، SAP، Qualcomm، IBM، Intel، و البته Google از آن استفاده می‌کنند.

امروز یک گورو یادگیری عمیق شوید! ما شما را در داخل دوره خواهیم دید!


سرفصل ها و درس ها

نمای کلی دوره، نصب و راه اندازی Course Overview, Installs, and Setup

  • پیام خوش آمد گویی خودکار Auto-Welcome Message

  • بررسی اجمالی دوره Course Overview

  • راه اندازی و نصب دوره Course Setup and Installation

  • سوالات متداول - سوالات متداول FAQ - Frequently Asked Questions

تأیید نمای کلی دوره COURSE OVERVIEW CONFIRMATION

  • لطفاً سخنرانی نمای کلی دوره را تماشا کنید PLEASE WATCH COURSE OVERVIEW LECTURE

دوره Crash NumPy NumPy Crash Course

  • مقدمه ای بر NumPy Introduction to NumPy

  • آرایه های NumPy NumPy Arrays

  • انتخاب شاخص Numpy Numpy Index Selection

  • عملیات NumPy NumPy Operations

  • تمرینات NumPy NumPy Exercises

  • تمرینات بیهوده - راه حل Numpy Exercises - Solutions

دوره سقوط پانداها Pandas Crash Course

  • آشنایی با پانداها Introduction to Pandas

  • سری پانداها Pandas Series

  • Pandas DataFrames - قسمت اول Pandas DataFrames - Part One

  • Pandas DataFrames - قسمت دوم Pandas DataFrames - Part Two

  • داده های گم شده پانداها Pandas Missing Data

  • عملیات GroupBy GroupBy Operations

  • عملیات پانداها Pandas Operations

  • ورودی و خروجی داده Data Input and Output

  • تمرینات پانداها Pandas Exercises

  • تمرین پانداها - راه حل Pandas Exercises - Solutions

دوره تصادف تجسم Visualization Crash Course

  • مقدمه ای بر تجسم پایتون Introduction to Python Visualization

  • مبانی Matplotlib Matplotlib Basics

  • مبانی Seaborn Seaborn Basics

  • تمرین های تجسم داده ها Data Visualization Exercises

  • تمرین های تجسم داده ها - راه حل ها Data Visualization Exercises - Solutions

مروری بر مفاهیم یادگیری ماشین Machine Learning Concepts Overview

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • بررسی اجمالی یادگیری تحت نظارت Supervised Learning Overview

  • بیش از حد برازش Overfitting

  • ارزیابی عملکرد - معیارهای خطای طبقه بندی Evaluating Performance - Classification Error Metrics

  • ارزیابی عملکرد - معیارهای خطای رگرسیون Evaluating Performance - Regression Error Metrics

  • یادگیری بدون نظارت Unsupervised Learning

شبکه های عصبی مصنوعی پایه - شبکه های عصبی مصنوعی Basic Artificial Neural Networks - ANNs

  • مقدمه ای بر بخش ANN Introduction to ANN Section

  • مدل پرسپترون Perceptron Model

  • شبکه های عصبی Neural Networks

  • توابع فعال سازی Activation Functions

  • ملاحظات طبقه بندی چند طبقه Multi-Class Classification Considerations

  • توابع هزینه و نزول گرادیان Cost Functions and Gradient Descent

  • پس انتشار Backpropagation

  • TensorFlow در مقابل Keras توضیح داده شد TensorFlow vs. Keras Explained

  • مبانی نحوی Keras - قسمت اول - آماده سازی داده ها Keras Syntax Basics - Part One - Preparing the Data

  • اصول نحو کراس - قسمت دوم - ایجاد و آموزش مدل Keras Syntax Basics - Part Two - Creating and Training the Model

  • مبانی نحو کراس - قسمت سوم - ارزیابی مدل Keras Syntax Basics - Part Three - Model Evaluation

  • کد رگرسیون کراس در امتداد - تجزیه و تحلیل داده های اکتشافی Keras Regression Code Along - Exploratory Data Analysis

  • کد رگرسیون کراس در امتداد - تحلیل داده های اکتشافی - ادامه دارد Keras Regression Code Along - Exploratory Data Analysis - Continued

  • کد رگرسیون Keras همراه - پیش پردازش داده و ایجاد یک مدل Keras Regression Code Along - Data Preprocessing and Creating a Model

  • کد رگرسیون کراس همراه - ارزیابی و پیش بینی مدل Keras Regression Code Along - Model Evaluation and Predictions

  • کد طبقه بندی Keras در امتداد - EDA و پیش پردازش Keras Classification Code Along - EDA and Preprocessing

  • طبقه بندی Keras - مقابله با بیش از حد برازش و ارزیابی Keras Classification - Dealing with Overfitting and Evaluation

  • بررسی اجمالی گزینه‌های پروژه TensorFlow 2.0 Keras TensorFlow 2.0 Keras Project Options Overview

  • نمای کلی نوت بوک پروژه TensorFlow 2.0 Keras TensorFlow 2.0 Keras Project Notebook Overview

  • راهکارهای پروژه کراس - تجزیه و تحلیل داده های اکتشافی Keras Project Solutions - Exploratory Data Analysis

  • راه حل های پروژه Keras - مقابله با داده های از دست رفته Keras Project Solutions - Dealing with Missing Data

  • راه حل های پروژه کراس - مقابله با داده های از دست رفته - قسمت دوم Keras Project Solutions - Dealing with Missing Data - Part Two

  • راهکارهای پروژه کراس - داده های دسته بندی Keras Project Solutions - Categorical Data

  • راه حل های پروژه Keras - پیش پردازش داده ها Keras Project Solutions - Data PreProcessing

  • راهکارهای پروژه کراس - ایجاد و آموزش یک مدل Keras Project Solutions - Creating and Training a Model

  • راهکارهای پروژه کراس - ارزیابی مدل Keras Project Solutions - Model Evaluation

  • تانسوربرد Tensorboard

شبکه های عصبی کانولوشنال - CNN Convolutional Neural Networks - CNNs

  • بررسی اجمالی بخش CNN CNN Section Overview

  • فیلترها و هسته های تصویر Image Filters and Kernels

  • لایه های کانولوشنال Convolutional Layers

  • لایه های ترکیبی Pooling Layers

  • نمای کلی مجموعه داده های MNIST MNIST Data Set Overview

  • CNN در MNIST - بخش اول - داده ها CNN on MNIST - Part One - The Data

  • CNN در MNIST - قسمت دوم - ایجاد و آموزش مدل CNN on MNIST - Part Two - Creating and Training the Model

  • CNN در MNIST - بخش سوم - ارزیابی مدل CNN on MNIST - Part Three - Model Evaluation

  • CNN در CIFAR-10 - قسمت اول - داده ها CNN on CIFAR-10 - Part One - The Data

  • CNN در CIFAR-10 - قسمت دوم - ارزیابی مدل CNN on CIFAR-10 - Part Two - Evaluating the Model

  • دانلود مجموعه داده برای سخنرانی های تصویر واقعی Downloading Data Set for Real Image Lectures

  • CNN در مورد فایل های تصویر واقعی - قسمت اول - خواندن در داده ها CNN on Real Image Files - Part One - Reading in the Data

  • CNN در مورد فایل های تصویر واقعی - قسمت دوم - پردازش داده ها CNN on Real Image Files - Part Two - Data Processing

  • CNN در مورد فایل های تصویر واقعی - قسمت سوم - ایجاد مدل CNN on Real Image Files - Part Three - Creating the Model

  • CNN در مورد فایل های تصویر واقعی - قسمت چهارم - ارزیابی مدل CNN on Real Image Files - Part Four - Evaluating the Model

  • بررسی اجمالی تمرین CNN CNN Exercise Overview

  • راه حل های تمرین CNN CNN Exercise Solutions

شبکه های عصبی مکرر - RNN Recurrent Neural Networks - RNNs

  • نمای کلی بخش RNN RNN Section Overview

  • نظریه پایه RNN RNN Basic Theory

  • ناپدید شدن گرادیان ها Vanishing Gradients

  • LSTMS و GRU LSTMS and GRU

  • دسته های RNN RNN Batches

  • RNN در یک موج سینوسی - داده ها RNN on a Sine Wave - The Data

  • RNN در یک موج سینوسی - ژنراتور دسته ای RNN on a Sine Wave - Batch Generator

  • RNN در یک موج سینوسی - ایجاد مدل RNN on a Sine Wave - Creating the Model

  • RNN در یک موج سینوسی - LSTMs و پیش بینی RNN on a Sine Wave - LSTMs and Forecasting

  • RNN در یک سری زمانی - قسمت اول RNN on a Time Series - Part One

  • RNN در یک سری زمانی - قسمت دوم RNN on a Time Series - Part Two

  • تمرین RNN RNN Exercise

  • تمرین RNN - راه حل RNN Exercise - Solutions

  • پاداش - سری زمانی چند متغیره - RNN و LSTMs Bonus - Multivariate Time Series - RNN and LSTMs

پردازش زبان طبیعی Natural Language Processing

  • مقدمه ای بر بخش NLP Introduction to NLP Section

  • NLP - قسمت اول - داده ها NLP - Part One - The Data

  • NLP - قسمت دوم - پردازش متن NLP - Part Two - Text Processing

  • NLP - قسمت سوم - ایجاد دسته NLP - Part Three - Creating Batches

  • NLP - قسمت چهارم - ایجاد مدل NLP - Part Four - Creating the Model

  • NLP - قسمت پنجم - آموزش مدل NLP - Part Five - Training the Model

  • NLP - قسمت ششم - تولید متن NLP - Part Six - Generating Text

رمزگذارهای خودکار AutoEncoders

  • مقدمه ای بر رمزگذارهای خودکار Introduction to Autoencoders

  • مبانی رمزگذار خودکار Autoencoder Basics

  • رمزگذار خودکار برای کاهش ابعاد Autoencoder for Dimensionality Reduction

  • رمزگذار خودکار برای تصاویر - قسمت اول Autoencoder for Images - Part One

  • رمزگذار خودکار برای تصاویر - قسمت دوم - حذف نویز Autoencoder for Images - Part Two - Noise Removal

  • بررسی اجمالی تمرین رمزگذار خودکار Autoencoder Exercise Overview

  • Autoencoder Exercise - راه حل Autoencoder Exercise - Solutions

شبکه های متخاصم مولد Generative Adversarial Networks

  • نمای کلی GANs GANs Overview

  • ایجاد یک GAN - قسمت اول - داده ها Creating a GAN - Part One- The Data

  • ایجاد یک GAN - قسمت دوم - مدل Creating a GAN - Part Two - The Model

  • ایجاد GAN - قسمت سوم - آموزش مدل Creating a GAN - Part Three - Model Training

  • DCGAN - شبکه های متخاصم مولد عمیق DCGAN - Deep Convolutional Generative Adversarial Networks

گسترش Deployment

  • مقدمه ای بر استقرار Introduction to Deployment

  • ایجاد مدل Creating the Model

  • تابع پیش بینی مدل Model Prediction Function

  • اجرای یک برنامه Basic Flask Running a Basic Flask Application

  • Flask Postman API Flask Postman API

  • Flask API - استفاده از درخواست ها به صورت برنامه ریزی شده Flask API - Using Requests Programmatically

  • فلاسک جلویی Flask Front End

  • استقرار زنده در وب Live Deployment to the Web

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش Bootcamp Tensorflow 2 و Keras Deep Learning را کامل کنید
جزییات دوره
19 hours
116
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
43,450
4.7 از 5
دارد
دارد
دارد
Jose Portilla
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jose Portilla Jose Portilla

رئیس بخش علوم داده در آموزش پیریان