لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق با پایتون: آشنایی عملی با مدلهای یادگیری عمیق
- آخرین آپدیت
دانلود Deep Learning with Python: Hands-On Introduction to Deep Learning Models
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
با استفاده از پایتون، وارد دنیای یادگیری عمیق شوید. در این دوره آموزشی مناسب برای مبتدیان، مدرس دوره Frederick Nwanganga مفاهیم بنیادی و تکنیکهای ضروری برای درک و پیادهسازی مدلهای پایه یادگیری عمیق را پوشش میدهد. از طریق تمرینات کدنویسی عملی، کاربردهای واقعی را کشف کنید و خود را برای مباحث پیشرفتهتر یادگیری عمیق آماده سازید.
این دوره با GitHub Codespaces ادغام شده است؛ یک محیط توسعه ابری فوری که تمامی قابلیتهای IDE مورد علاقه شما را بدون نیاز به نصب روی سیستم محلی فراهم میکند. با GitHub Codespaces میتوانید در هر زمان و با هر دستگاهی تمرینات عملی را انجام دهید—ابزاری که احتمالاً در محیطهای کاری واقعی با آن مواجه خواهید شد. برای شروع، بخش «استفاده از GitHub Codespaces» را در این دوره بررسی کنید.
سرفصل ها و درس ها
مقدمه
Introduction
پیشنیازهای لازم
What you should know
شروع یادگیری عمیق
Getting started with deep learning
استفاده از فایلهای تمرینی
Using the exercise files
1. مبانی شبکههای عصبی
1. Fundamentals of Neural Networks
شبکههای عصبی مصنوعی چیستند؟
What are artificial neural networks?
یک شبکه عصبی چگونه یاد میگیرد؟
How does a neural network learn?
توابع فعالساز در شبکههای عصبی
Activation functions in neural networks
شبکههای عصبی چگونه پیشبینی میکنند؟
How do neural networks make predictions?
2. آشنایی با یادگیری عمیق
2. Introduction to Deep Learning
تکامل هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
The evolution of AI, machine learning, and deep learning
انواع مدلهای یادگیری عمیق
Types of deep learning models
کاربردهای واقعی یادگیری عمیق
Real-world applications of deep learning
چالشهای یادگیری عمیق
Challenges with deep learning
یادگیری عمیق چیست؟
What is deep learning?
3. مبانی ریاضی یادگیری عمیق
3. Mathematical Foundations of Deep Learning
مشتقات، مشتقات جزئی و قانون زنجیرهای
Derivatives, partial derivatives, and the chain rule
تنسورها
Tensors
بردارها و ماتریسها
Vectors and matrices
گرادیان کاهشی (Gradient Descent)
Gradient descent
4. طبقهبندی متن با شبکههای عصبی عمیق
4. Text Classification with Deep Neural Networks
آموزش یک مدل یادگیری عمیق در پایتون
Training a deep learning model in Python
آمادهسازی برای ساخت مدل یادگیری عمیق در پایتون
Preparing to build a deep learning model in Python
تعریف یک مدل یادگیری عمیق در پایتون
Defining a deep learning model in Python
5. معیارهای ارزیابی عملکرد مدل
5. Model Performance Metrics
ارزیابی مدل یادگیری عمیق: ماتریس اغتشاش
Evaluating a deep learning model: Confusion matrix
ارزیابی مدل یادگیری عمیق: دقت (Precision)
Evaluating a deep learning model: Precision
ارزیابی مدل یادگیری عمیق: فراخوانی (Recall)
Evaluating a deep learning model: Recall
ارزیابی مدل یادگیری عمیق: امتیاز F1
Evaluating a deep learning model: F1 score
ارزیابی مدل یادگیری عمیق: دقت پیشبینی (Predictive Accuracy)
Evaluating a deep learning model: Predictive accuracy
جمعبندی
Conclusion
ادامه مسیر در یادگیری عمیق
Continuing on with deep learning
فردریک نوانگانگا دانشیار تدریس در زمینه تجزیه و تحلیل و عملیات.
او بیش از 15 سال تجربه تحلیلی دارد و دوره های کارشناسی ارشد و لیسانس در مدیریت داده، یادگیری ماشین و تجزیه و تحلیل داده های بدون ساختار را در کالج تجارت مندوزا در دانشگاه نوتردام تدریس می کند. قبل از پیوستن به مندوزا به عنوان استاد تمام وقت، فرد تقریباً 20 سال در زمینه فناوری اطلاعات در چندین سمت به عنوان توسعه دهنده نرم افزار، تحلیلگر تجاری، مدیر پایگاه داده، مدیر پروژه و مدیر فناوری کار کرد. او به مدت سه سال یک شرکت مشاوره خدمات کسب و کار فناوری اطلاعات را تأسیس کرد و آن را اداره کرد و نویسنده کتاب درسی یادگیری ماشینی به نام یادگیری ماشین عملی در R.
نمایش نظرات