لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشینی عملی با TensorFlow 2.0 و Scikit-Learn [ویدئو]
Practical Machine Learning with TensorFlow 2.0 and Scikit-Learn [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آیا به دنبال دورهای بودهاید که به شما یادگیری ماشینی مؤثر در Sicit-learn و TensorFlow 2.0 را آموزش دهد؟ یا همیشه خواهان دانش کاری کارآمد و ماهر در مورد چگونگی حل مشکلاتی بوده اید که نمی توانند به صراحت از طریق جدیدترین تکنیک های یادگیری ماشین برنامه ریزی شوند؟
اگر با پانداها و NumPy آشنایی دارید، این دوره به شما دانش به روز و دقیقی از تمام روش های عملی یادگیری ماشین می دهد، که می توانید از آنها برای مقابله با اکثر کارهایی که به راحتی نمی توان به طور واضح برنامه ریزی کرد، استفاده کرد. شما همچنین می توانید از الگوریتم هایی استفاده کنید که یاد می گیرند و بر اساس داده ها پیش بینی یا تصمیم می گیرند.
این تئوری با مثالهای عملی فراوان و نمونههای کد در نوتبوکهای Jupyter استوار خواهد شد. هدف این دوره این است که شما را در ساخت الگوریتمها و مدلهایی که با بالاترین دقت ممکن بر اساس خروجی موفقیت یا فرضیهای که برای یک کار مشخص تعریف کردهاید، کارایی بالایی داشته باشند.
در پایان این دوره، شما قادر خواهید بود با آموزش، بهینه سازی و استقرار مدل ها در تولید، مجموعه ای از مشکلات یادگیری ماشین مبتنی بر صنعت را به راحتی حل کنید. توانایی انجام این کار به طور موثر به شما این امکان را می دهد که پیش بینی و تصمیم گیری های موفقیت آمیزی را برای کار در دست انجام دهید (به عنوان مثال، ایجاد یک الگوریتم برای خواندن مجموعه داده برچسب دار از ارقام دست نویس).
بسته کد این دوره در https://github.com/PacktPublishing/Practical-Machine-Learning-with-TensorFlow-2.0-and-Scikit-Learn Fundamentals of Machine Learning (و معرفی مزایای scikit-learn) موجود است.
پیاده سازی عملی با مثال های جامع از یادگیری ماشین متعارف، و یادگیری ماشینی تحت نظارت و بدون نظارت در Sicit-Learn
نحوه شناسایی یک مشکل، انتخاب مدل مناسب و بهینه سازی آن برای رسیدن به بهترین نتیجه دلخواه: بینش در مورد داده ها
TensorFlow 2.0 برای یادگیری عمیق با شبکه های عصبی
مثالهای یادگیری عمیق و طبقهبندی تصویر، و نمونههای مدل پیشبینی سریهای زمانی
یادگیری تقویتی و نحوه اجرای انواع مختلف با مثال
به طور موثر از scikit-learn و TensorFlow در سیستم تولید خود استفاده کنید، از جمله کادربندی یک کار در هر مثال کار این دوره برای توسعه دهندگانی است که با پانداها و مفاهیم NumPy آشنا هستند و مشتاق هستند تا روش ها و روش های یادگیری ماشین خود را به طور موثر با استفاده از Sikit-Learn و TensorFlow 2.0.
پیش نیاز: دانش قبلی برنامه نویسی پایتون برای این دوره الزامی است. سفر ML خود را با استفاده از بهترین شیوههای یادگیری ماشین و ویژگیهای قدرتمند TensorFlow 2.0 و scikit-learn آغاز کنید * کار با دادههای بدون ساختار، تصاویر و ورودی متن پر سر و صدا را بیاموزید و جدیدترین مدلها و روشهای پردازش زبان طبیعی را اجرا کنید * با نظارت کاوش کنید و الگوریتمهای بدون نظارت و با استفاده از پروژههای پیادهسازی کوچک به عنوان پایهای برای کاربردهای واقعی
سرفصل ها و درس ها
نصب Scikit-Learn و TensorFlow 2.0
Installing Scikit-Learn and TensorFlow 2.0
بررسی اجمالی دوره
Course Overview
مروری بر توزیع آناکوندا
Overview of the Anaconda Distribution
نصب Anaconda Distribution برای Scikit-Learn
Installing the Anaconda Distribution for Scikit-Learn
نصب TensorFlow 2.0 از Anaconda Distribution
Installing TensorFlow 2.0 from the Anaconda Distribution
Scikit-Learn و Tensorflow 2.0 را به صورت دستی از طریق pip نصب کنید
Install Scikit-Learn and Tensorflow 2.0 Manually Through pip
اصول ML: Scikit-Learn Introduction
ML Fundamentals: Scikit-Learn Introduction
یادگیری ماشینی چیست؟
What Is Machine Learning?
اولین مدل Scikit-Learn
First Scikit-Learn Model
بیش از حد مناسب و منظم
Overfitting and Regularization
بررسی احتمالات و آمار
Probability and Statistics Review
توزیع احتمال و متریک
Probability Distribution and Metrics
رمزگذاری خودکار و تغییر نویز
Denoising and Variational Autoencoders
شبکه های متخاصم مولد سفارشی
Custom Generative Adversarial Networks
تقسیم بندی معنایی
Semantic Segmentation
انتقال سبک عصبی
Neural Style Transfer
پردازش زبان طبیعی و داده های متوالی
Natural Language Processing and Sequential Data
استفاده از جاسازی های Word
Using Word Embeddings
خط لوله متن با توکن سازی برای طبقه بندی
Text Pipeline with Tokenization for Classification
داده های متوالی با شبکه های عصبی مکرر
Sequential Data with Recurrent Neural Networks
بهترین روش ها با شبکه های عصبی مکرر
Best Practices with Recurrent Neural Networks
پیش بینی سری های زمانی
Time Series Forecasting
پیش بینی با CNN و RNN
Forecasting with CNNs and RNNs
توالی اعمال شده در مدل های توالی و ترانسفورماتور
Applied Sequence to Sequence and Transformer Models
مدل های زبان NLP
NLP Language Models
تولید متن از LSTM
Generating Text from an LSTM
توالی به دنباله مدل
Sequence to Sequence Models
MT Seq2Seq با توجه
MT Seq2Seq with Attention
ترانسفورماتورهای NLP
NLP Transformers
آموزش ترانسفورماتورها و NLP در عمل
Training Transformers and NLP In Practice
کار با یادگیری تقویتی
Working with Reinforcement Learning
مبانی یادگیری تقویتی
Basics of Reinforcement Learning
آموزش Deep Q-Network با TF-Agents
Training a Deep Q-Network with TF-Agents
عوامل TF در عمق
TF-agents In Depth
روشهای مبتنی بر ارزش و سیاست
Value and Policy Based Methods
تکنیک های اکتشاف و عدم قطعیت در RL
Exploration Techniques and Uncertainty In RL
یادگیری تقلیدی و آلفازیرو
Imitation Learning and AlphaZero
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
ساموئل هولت دارای چندین سال تجربه در پیاده سازی، ایجاد و تولید مدل های یادگیری ماشینی برای شرکت های بزرگ بلو چیپ و استارت آپ های کوچک (و همچنین در شرکت های خود) به عنوان مشاور یادگیری ماشین است. او دارای تجربه آزمایشگاهی یادگیری ماشین است و دارای مدرک MEng در یادگیری ماشین و مهندسی نرم افزار از دانشگاه آکسفورد است که در آنجا چهار جایزه برای برتری آکادمیک کسب کرد. به طور خاص، او سیستمهایی ساخته است که با استفاده از ترکیبی از scikit-learn و TensorFlow شامل پشتیبانی خودکار مشتری، پیادهسازی OCR سند، شناسایی وسایل نقلیه در مورد خودروهای خودران، تجزیه و تحلیل نظرات و پیشبینی سریهای زمانی برای دادههای مالی، در حال تولید هستند.
نمایش نظرات