آموزش Bootcamp Keras را برای یادگیری عمیق در پایتون کامل کنید

Complete Keras Bootcamp For Deep Learning in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: شبکه های عصبی کاربردی و یادگیری عمیق با چارچوب Keras در پایتون مهار قدرت Anaconda/iPython برای علم داده های عملی آموزش نصب و استفاده از Tensorflow در Anaconda پیاده سازی مدل سازی شبکه عصبی با Keras پیاده سازی یادگیری عمیق مبتنی بر یادگیری بدون نظارت با Keras پیاده سازی یادگیری عمیق یادگیری مبتنی بر نظارت با Keras پیاده‌سازی شبکه‌های عصبی کانولوشن با Keras پیش نیازها: قادر به کار و نصب نرم‌افزار در رایانه باشید قرار گرفتن در معرض قبلی با علم داده مبتنی بر پایتون مفید خواهد بود قرار گرفتن در معرض مفاهیم اولیه آماری و پیاده‌سازی مفید خواهد بود. اصطلاحات یادگیری ماشینی مانند اعتبار سنجی متقابل

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

این یک بوت کمپ کامل 7 ساعته آموزش عمیق شبکه عصبی Python Keras است که به شما کمک می کند تا با استفاده از یکی از مهم ترین چارچوب های یادگیری عمیق: Keras، یادگیری ماشین اولیه، شبکه های 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 Keras در پایتون است.

این بدان معناست که این دوره جنبه‌های مهم Keras را پوشش می‌دهد، اگر این دوره را گذرانده باشید، می‌توانید از گذراندن دوره‌های دیگر یا خرید کتاب‌های علوم داده مبتنی بر Python Keras صرفنظر کنید.

در این عصر داده‌های بزرگ، شرکت‌ها در سراسر جهان از پایتون برای بررسی بهمن اطلاعاتی که در اختیار دارند استفاده می‌کنند و ظهور Keras در یادگیری عمیق انقلابی ایجاد می‌کند.

با کسب مهارت در Keras 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 مبتنی بر KERAS به یک حرفه ای تبدیل شوید!

اما اول از همه. نام من مینروا سینگ است و من فارغ التحصیل کارشناسی ارشد دانشگاه آکسفورد (جغرافی 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 انتشارات برای مجلات بین‌المللی با داوری 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 Tensorflow می دهد.

برخلاف سایر دوره‌های پایتون، ما ویژگی‌های مدل‌سازی آماری Tensorflow Keras را عمیقاً بررسی می‌کنیم و در این چارچوب‌ها به شما پایه‌ای بی‌نظیر می‌دهیم!

کشف 8 بخش کامل که به هر جنبه ای از علم داده KERAS مبتنی بر پایتون می پردازد:

• مقدمه ای کامل بر علم داده پایتون و چارچوب قدرتمند مبتنی بر پایتون برای علم داده، Anaconda
• شروع به کار با نوت بوک های Jupyter برای پیاده سازی تکنیک های علم داده در پایتون
• ارائه جامع درباره نصب Keras و مختصری مقدمه‌ای بر سایر بسته‌های علوم داده پایتون
• معرفی مختصر کار پانداها و Numpy
• اصول دستور زبان Keras
• یادگیری ماشینی، یادگیری نظارت شده، یادگیری بدون نظارت در چارچوب‌های Keras
• حتی خواهید فهمید که چگونه شبکه های عصبی مصنوعی و ساختارهای یادگیری عمیق را با Keras

ایجاد کنید

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

شما با جذب ارزشمندترین اصول و تکنیک های پایتون کراس 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 Matplotlib برای کار با داده های واقعی در پایتون و همچنین تسلط بر Keras استفاده می کنید. 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 دوره، دانش‌آموزان بدون پیش‌زمینه قبلی پایتون و/یا آمار را از سطح پایه به انجام برخی از رایج‌ترین تکنیک‌های پیشرفته علم داده با استفاده از نوت‌بوک‌های قدرتمند Jupyter مبتنی بر پایتون می‌برد

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 روی پیاده‌سازی تکنیک‌های مختلف بر روی داده‌های واقعی و تفسیر نتایج تمرکز می‌کند..

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!


سرفصل ها و درس ها

به دوره خوش آمدید Welcome To The Course

  • دوره در مورد چیست؟ What is the Course About?

  • داده ها و کدهای مورد استفاده در دوره Data and Code Used in the Course

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

  • 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

به دوره خوش آمدید Welcome To The Course

  • دوره در مورد چیست؟ What is the Course About?

  • داده ها و کدهای مورد استفاده در دوره Data and Code Used in the Course

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

  • 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

مقدمه ای بر بسته های علوم داده پایتون Introduction to Python Data Science Packages

  • 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 بردار پایه Numpy for Basic Vector Arithmetic

  • Numpy برای محاسبات ماتریس پایه Numpy for Basic Matrix Arithmetic

  • آشنایی با پانداها Introduction to Pandas

  • در داده ها از CSV بخوانید Read in Data from CSV

  • داده ها را از اکسل بخوانید Read in Data from Excel

  • پاکسازی داده های اولیه Basic Data Cleaning

مقدمه ای بر بسته های علوم داده پایتون Introduction to Python Data Science Packages

  • 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 بردار پایه Numpy for Basic Vector Arithmetic

  • Numpy برای محاسبات ماتریس پایه Numpy for Basic Matrix Arithmetic

  • آشنایی با پانداها Introduction to Pandas

  • در داده ها از CSV بخوانید Read in Data from CSV

  • داده ها را از اکسل بخوانید Read in Data from Excel

  • پاکسازی داده های اولیه Basic Data Cleaning

معرفی کراس Introduction to Keras

  • کراس چیست؟ What is Keras?

  • نصب کراس-ویندوز Keras Installation-Windows

  • نصب Keras در سیستم عامل مک Keras Installation on Mac OS

  • دستورالعمل های کتبی نصب Keras Written Keras Installation Instructions

معرفی کراس Introduction to Keras

  • کراس چیست؟ What is Keras?

  • نصب کراس-ویندوز Keras Installation-Windows

  • نصب Keras در سیستم عامل مک Keras Installation on Mac OS

  • دستورالعمل های کتبی نصب Keras Written Keras Installation Instructions

برخی از مفاهیم اساسی Some Basic Concepts

  • یادگیری ماشینی چیست؟ What is Machine Learning?

برخی از مفاهیم اساسی Some Basic Concepts

  • یادگیری ماشینی چیست؟ What is Machine Learning?

شبکه های عصبی با کراس Neural Networks With Keras

  • نظریه پشت ANN (شبکه عصبی مصنوعی) و DNN (شبکه های عصبی عمیق) Theory Behind ANN (Artificial Neural Network) and DNN (Deep Neural Networks)

  • توابع فعال سازی Activation Functions

  • پرسپترون چند لایه (MLP) با Keras Multi Layer Perceptron (MLP) With Keras

  • پس انتشار چیست؟ What is Backpropagation?

  • Keras MLP برای طبقه بندی باینری Keras MLP For Binary Classification

  • ارزیابی دقت برای طبقه بندی باینری Accuracy Assessment For Binary Classification

  • Keras MLP برای طبقه بندی چند کلاسه Keras MLP for Multiclass Classification

  • Keras MLP برای رگرسیون Keras MLP for Regression

شبکه های عصبی با کراس Neural Networks With Keras

  • نظریه پشت ANN (شبکه عصبی مصنوعی) و DNN (شبکه های عصبی عمیق) Theory Behind ANN (Artificial Neural Network) and DNN (Deep Neural Networks)

  • توابع فعال سازی Activation Functions

  • پرسپترون چند لایه (MLP) با Keras Multi Layer Perceptron (MLP) With Keras

  • پس انتشار چیست؟ What is Backpropagation?

  • Keras MLP برای طبقه بندی باینری Keras MLP For Binary Classification

  • ارزیابی دقت برای طبقه بندی باینری Accuracy Assessment For Binary Classification

  • Keras MLP برای طبقه بندی چند کلاسه Keras MLP for Multiclass Classification

  • Keras MLP برای رگرسیون Keras MLP for Regression

یادگیری بدون نظارت با Keras Unsupervised Learning With Keras

  • یادگیری بدون نظارت چیست؟ What is Unsupervised Learning?

  • رمزگذارهای خودکار برای طبقه بندی بدون نظارت Autoencoders for Unsupervised Classification

  • رمزگذارهای خودکار در Keras (محدودیت های پراکندگی) Autoencoders in Keras (Sparsity Constraints)

  • رمزگذارهای خودکار در Keras (ساده) Autoencoders in Keras (Simple)

  • رمزگذار خودکار عمیق با Keras Deep Autoencoder With Keras

یادگیری بدون نظارت با Keras Unsupervised Learning With Keras

  • یادگیری بدون نظارت چیست؟ What is Unsupervised Learning?

  • رمزگذارهای خودکار برای طبقه بندی بدون نظارت Autoencoders for Unsupervised Classification

  • رمزگذارهای خودکار در Keras (محدودیت های پراکندگی) Autoencoders in Keras (Sparsity Constraints)

  • رمزگذارهای خودکار در Keras (ساده) Autoencoders in Keras (Simple)

  • رمزگذار خودکار عمیق با Keras Deep Autoencoder With Keras

یادگیری عمیق برای تنسورفلو و کراس Deep Learning For Tensorflow & Keras

  • طبقه بندی کننده DNN با Keras DNN Classifier With Keras

  • طبقه بندی DNN با Keras-مثال 2 DNN Classifier With Keras-Example 2

یادگیری عمیق برای تنسورفلو و کراس Deep Learning For Tensorflow & Keras

  • طبقه بندی کننده DNN با Keras DNN Classifier With Keras

  • طبقه بندی DNN با Keras-مثال 2 DNN Classifier With Keras-Example 2

شبکه عصبی پیچشی (CNN) برای تجزیه و تحلیل تصویر Convolution Neural Network (CNN) For Image Analysis

  • مقدمه ای بر CNN Introduction to CNN

  • گردش کار CNN برای Keras CNN Workflow for Keras

  • CNN با Keras CNN With Keras

  • CNN در مورد داده های تصویری با Keras-Part 1 CNN on Image Data with Keras-Part 1

  • CNN در مورد داده های تصویری با Keras-Part 2 CNN on Image Data with Keras-Part 2

  • رمزگذارهای خودکار برای با CNN- Keras Autoencoders for With CNN- Keras

شبکه عصبی پیچشی (CNN) برای تجزیه و تحلیل تصویر Convolution Neural Network (CNN) For Image Analysis

  • مقدمه ای بر CNN Introduction to CNN

  • گردش کار CNN برای Keras CNN Workflow for Keras

  • CNN با Keras CNN With Keras

  • CNN در مورد داده های تصویری با Keras-Part 1 CNN on Image Data with Keras-Part 1

  • CNN در مورد داده های تصویری با Keras-Part 2 CNN on Image Data with Keras-Part 2

  • رمزگذارهای خودکار برای با CNN- Keras Autoencoders for With CNN- Keras

نمایش نظرات

آموزش Bootcamp Keras را برای یادگیری عمیق در پایتون کامل کنید
جزییات دوره
4 hours
42
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
776
4.4 از 5
دارد
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