آموزش توسعه‌دهنده حرفه‌ای TensorFlow - آخرین آپدیت

سرفصل ها و درس ها

راه‌اندازی محیط توسعه TensorFlow Set Up a TensorFlow Development Environment

• گوگل کولب Google Colab

• آناکوندا/کوندا Anaconda/Conda

• نوت‌بوک جوپیتر Jupyter notebook

• پایتان PyCharm

• ویژوال استودیو کد Visual Studio Code

• چالش 🎉 CHALLENGE 🎉

شبکه‌های عصبی بیولوژیکی و مصنوعی را کاوش کنید Explore Biological and Artificial Neural Networks

• تاریخچه مختصر یادگیری ماشین A Brief History of Machine Learning

• قیمت چوب: پیش‌بینی تقاضا Lumber Prices: Demand Predictions

• لایه‌های شبکه عصبی Neural Network Layers

• پیش‌رویابی در NumPy و پایتون Numpy and Python Forward Propagation

• چالش 🎉 CHALLENGE 🎉

بررسی مبانی یادگیری عمیق با تنسورفلو Explore TensorFlow Deep Learning Foundations

• TensorFlow Tensors را کاوش کنید Explore TensorFlow Tensors

• ساخت تنسورهای تنسورفلو Create TensorFlow Tensors

• ساخت تانسورهای تصادفی Creating Random Tensors

• ساخت تنسور از آرایه‌های نام‌پای (Numpy) Creating Tensors from Numpy Arrays

• چالش 🎉 CHALLENGE 🎉

عملیات و ویژگی‌های پایه تنسرفلو را کاوش کنید Explore Basic TensorFlow Operations and Attributes

• بذرهای تنسورفلو TensorFlow Seeds

• ویژگی‌های تنسور، نمایه‌سازی و بسط Tensor Attributes, Indexing and Expansion

• تجمیع تنسور و تبدیل نوع Tensor Aggregation and Type Casting

• چالش 🎉 CHALLENGE 🎉

عملیات ضرب ماتریس در تنسورفلو Apply TensorFlow Matrix Multiplication Operations

• عملیات پایه تانسور Basic Tensor Operations

• ضرب ماتریس Matrix Multiplication

• مورد استفاده‌ی میوه‌فروشی مت‌مول MatMul's Fruit Stand Use Case

• قانون طلایی The Golden Rule

• چالش 🎉 CHALLENGE 🎉

• چالش جایزه Bonus Challenge

• ویدیو راه حل Solution Video

ترانهاده و دستکاری تنسورهای تنسرفلو Transpose and Manipulate TensorFlow Tensors

• بررسی: ضرب ماتریس‌ها Review: Matrix Multiplication

• تغییر شکل و ترانهاده کردن تانسورها Reshape & Transpose Tensors

• تغییر ابعاد (Transpose) در مقابل تغییر شکل (Reshape) Transpose VS Reshape

• دستکاری تنسورها Manipulate Tensors

• چالش 🎉 CHALLENGE 🎉

بررسی معماری شبکه‌های عصبی تنسورفلو Explore TensorFlow Neural Network Architecture

• ایجاد محیط توسعه Create Development Environment

• آموزش سریع یادگیری ماشین Machine Learning Quickstart

• ساخت، کامپایل و آموزش مدل Build, Compile, and Train Model

• چالش 🎉 CHALLENGE 🎉

ساخت مدل رگرسیون برای پیش‌بینی قیمت مسکن Build a Regression Model to Predict Housing Price

• تحلیل رگرسیون چیست؟ What is Regression Analysis?

• بارگذاری داده و بررسی معماری شبکه عصبی Load Data and Explore Neural Network Architecture

• ساخت مدل رگرسیون پایه Build a Baseline Regression Model

• ساخت مدل رگرسیون شبکه عصبی Build a Neural Network Regression Model

• چالش 🎉 CHALLENGE 🎉

کاوش طبقه‌بندهای شبکه عصبی با تنسورفلو Explore Neural Network Classifiers with TensorFlow

• طبقه‌بندی چیست؟ What is Classification?

• طبقه‌بندی دودویی؟ Binary Classification?

• طبقه‌بندی چند کلاسه؟ Multi-Class Classification?

• کاوش طبقه‌بندی شبکه‌های عصبی در مرورگر Explore Neural Network Classification in a Browser

• چالش 🎉 CHALLENGE 🎉

تصویرسازی و بهبود عملکرد با تنسورفلو Visualize and Improve Performance with TensorFlow

• تولید داده خطی Generate Linear Data

• معیارهای ارزیابی Evaluation Metrics

• تجسم توابع فعال‌سازی Visualize Activation Functions

• چالش 🎉 CHALLENGE 🎉

ادغام گردش کار توسعه TensorFlow با گیت‌هاب Integrate GitHub TensorFlow Development Workflows

• از کولب کلود تا ژوپیتر محلی From Cloud Colab to Local Jupyter

• راه‌اندازی کلید SSH گیت‌هاب Setting Up a GitHub SSH Key

• ایجاد مخزن Creating a repository

• شروع، فورک کردن و کلون کردن مخازن Starting, Forking, and Cloning Repos

• چالش 🎉 CHALLENGE 🎉

مفاهیم بینایی کامپیوتر را با تنسورفلو کاوش کنید Explore Computer Vision Concepts with TensorFlow

• بینایی ماشین (CV) چیست؟ What is Computer Vision (CV)?

• کاوش مجموعه داده فشن MNIST Explore the fashion MNIST dataset

• نحوه کار SoftMax را کشف کنید Explore How SoftMax works

• مقیاس‌بندی ویژگی چیست؟ What is Feature Scaling?

• چالش 🎉 Challenge 🎉

شبکه‌های عصبی کانولوشنال با تنسورفلو Code Convolutional Neural Networks with TensorFlow

• انجام تحلیل اکتشافی داده Perform EDA

• کاوش در کال‌بک‌ها Explore Callbacks

• کانولوشن و پولینگ را روشن کنید Illuminate Convolution & Pooling

• چالش Challenge

طراحی مدل‌های بینایی کامپیوتر با تنسورفلو Design Computer Vision Models with TensorFlow

• کاوش مجموعه داده Food 101 در Kaggle Explore the Food 101 dataset on Kaggle

• کاوش مجموعه داده رامن سوشی اصلاح شده Explore the modified ramen sushi dataset

• استفاده از ImageDataGenerator برای بارگذاری مجموعه داده Load dataset using ImageDataGenerator

• تصاویر تصادفی را با برچسب‌هایشان مشاهده کنید Visualize random images with the labels

• چالش Challenge

مقایسه معماری‌های شبکه عصبی عمیق و کانولوشنال Compare Deep and Convolutional NN Architectures

• کاوش شبکه‌های عصبی کانولوشنی (CNN) در مرورگر Explore CNNs in a Browser

• مدل پایه چیست؟ What is a baseline model?

• شبکه‌های عصبی عمیق (DNNs) Deep Neural Networks (DNNs)

• شبکه‌های عصبی کانولوشنال (CNN) Convolutional Neural Networks (CNNs)

• چالش Challenge

همکاری با مجموعه داده‌های تصویری واقعی و تنسورفلو Work with Real-world Image Datasets and TensorFlow

• بخش اول: نمونه اولیه ماشین قابل یادگیری Part 1: Teachable Machine prototype

• بخش دوم: دریافت و بارگذاری تصاویر Part 2: Acquire and upload images

• چالش Challenge

بهبود عملکرد شبکه‌های عصبی کانولوشنال Improve Convolutional Neural Network Performance

• مدل مبنا Baseline Model

• مدل CNN CNN Model

• بهبودها Improvements

• چالش Challenge

جلوگیری از بیش برازش با تجسم عملکرد مدل Avoid Overfitting by Visualizing Model Performance

• بارگیری مجموعه داده و بررسی بیش‌برازش Load Dataset and Explore Overfitting

• مدل پایه از شبه‌کد Baseline Model from Pseudocode

• رسم منحنی های یادگیری Plot Training Curves

• چالش Challenge

ساخت طبقه بندی کننده چند کلاسه برای 10 دسته غذایی Build a Multi-Class Classifier for 10 Food Classes

• انواع دسته بندی: بررسی و معرفی روش‌های مختلف دسته بندی داده‌ها Explore Classification Types

• غذا ۱۰: تحلیل اکتشافی داده‌ها Food 10: Exploratory Data Analysis

• چالش Challenge

شرکت در مسابقات پیش‌بینی کاگل Participate in a Kaggle Prediction Competition

• مسابقه پیش‌بینی کاگل را کاوش کنید Explore Kaggle's Prediction Competition

• دستکاری داده ها برای ساخت مدل Manipulate Dataset for Model Building

• بارگذاری مجموعه داده با استفاده از ImageDataGenerator Load Dataset using ImageDataGenerator

• چالش Challenge

کاوش یادگیری انتقالی با استفاده از مدل‌های از پیش آموزش‌دیده Explore Transfer Learning Using Pre-Trained Models

• انتقال یادگیری چیست؟ What is Transfer Learning?

• استخراج ویژگی در مقابل تنظیم دقیق Feature Extractions Vs Fine-Tuning

• ایمیج‌نت چیست؟ What is ImageNet?

• کاهش و بارگذاری داده Reduce and Load Dataset

• چالش Challenge

بهبود مدل‌های یادگیری انتقالی با استفاده از کال‌بک‌ها Improve Transfer Learning Models with Callbacks

• دانلود مجموعه داده کاهش یافته Load Reduced Dataset

• فراخوانی‌های سفارشی Custom Callbacks

• فراخوان‌های TensorBoard TensorBoard Callbacks

• بازگشت‌های فراخوانی بررسی مدل Model Checkpoint Callbacks

• بازگشت به توقف زودهنگام Early Stopping Callbacks

• چالش Challenge

استفاده مجدد از مدل‌های از پیش آموزش داده شده TensorFlow Hub Reuse Pre-Trained TensorFlow Hub Models

• انتقال یادگیری، استخراج ویژگی و تنظیم دقیق: بررسی تخصصی Review Transfer Learning, Feature Extraction, and Fine-Tuning

• مجموعه داده غذاهای کم کالری Load Reduced Food 10 Dataset

• کاوش مدل‌های از پیش آموزش‌دیده TensorFlow Hub Explore TensorFlow Hub Pre-Trained Models

• استخراج ویژگی، بررسی و نمونه کدهای تنظیم دقیق Review Feature Extraction, and Fine-Tuning Code Examples

• چالش Challenge

ایجاد مدل از پیش آموزش‌دیده برای استخراج ویژگی Create a Pre-Trained Feature Extraction Model

• دانلود مجموعه داده کاهش یافته Food_10 Load Reduced Food_10 Dataset

• اعمال و افزایش داده‌ها Apply Data Augmentation

• ساخت مدل‌های Keras به سادگی با استفاده از URL 🎉 Build Keras models simply using URLs 🎉

• کاوش در TensorFlow Hub و ساخت مدل از طریق URL Explore TensorFlow Hub and Build a Model From a URL

• چالش Challenge

تنظیم دقیق یک مدل از پیش آموزش‌دیده TensorFlow Hub Fine-Tune a Pre-Trained TensorFlow Hub Model

• مقایسه استخراج ویژگی و تنظیم دقیق (Fine-tuning) Compare Feature Extraction to Fine-Tuning

• اکتشاف و بارگذاری داده‌ها با ImageDataGenerator Explore and Load Data with ImageDataGenerator

• ساخت مدل ResNet50 Create ResNet50 Model

• آموزش لایه‌های تنظیم دقیق مدل Train the Fine-Tuning layers of the model

• چالش CHALLENGE

بهینه‌سازی مدل ResNet50 بر روی مجموعه‌های داده با اندازه‌های مختلف Fine-Tune a ResNet50 Model on Varied Dataset Sizes

• مفاهیم یادگیری انتقالی: بررسی دقیق تنظیم دقیق (Fine-tuning) Explore Transfer Learning Concepts: Fine-Tuning

• بارگیری مجموعه داده Food_10 از گیت‌هاب Load Food_10 Dataset from GitHub

• کاوش مجموعه داده Food_10 در سه اندازه Explore Food_10 Dataset in Three Sizes

• بارگذاری تصاویر با استفاده از ImageDataGenerator Load Images using ImageDataGenerator

• چالش شماره ۱ Challenge #1

• چالش شماره ۲ Challenge #2

تبدیل تصاویر به متن با TensorFlow Transition from Images to Text with TensorFlow

• تصاویر، صدا و متن به عنوان نمایش‌های عددی Images, Sound, and Text as Numerical Representations

• محیط توسعه: ژوپیتر نوت بوک، کُندا و آناکوندا DevEnv: Jupyter Notebook, Conda and Anaconda

• پیاده‌سازی توکنایزر (Tokenization) با TensorFlow Implement Tokenization with TensorFlow

• مدل‌های زبانی بزرگ، وظایف پردازش زبان طبیعی و طبقه‌بندی Large Language Models, NLP Tasks, and Classification

• چالش CHALLENGE

• منابع جایزه Bonus Resource

چگونگی یادگیری خواندن متن توسط ماشین‌ها را بررسی کنید Investigate How Machines Learn to Read Text

• کاوش مفاهیم پردازش زبان طبیعی (NLP) Explore NLP Concepts

• راه اندازی محیط توسعه ما Setup Our Development Environment

• توکن های خارج از واژگان Out of Vocabulary Tokens

• پدینگ Padding

• بردارسازی متن TextVectorization

• چالش CHALLENGE

گسترش دایره لغات مدل با استفاده از تیترهای خبری Expand Model Vocabulary with News Headlines

• مجموعه داده دسته بندی اخبار News Category Dataset

• تنظیم محیط توسعه و بارگذاری داده Setup Development Environment and Load Data

• دنباله‌های توکن، کلمات خارج از واژگان (OOV) و پدینگ: توکنایزر Token Sequences, OOV, and Padding: Tokenizer

• دنباله توکن‌ها، واژگان خارج از مجموعه (OOV) و پدینگ: TextVectorization Token Sequences, OOV, and Padding: TextVectorization

• چالش CHALLENGE

تحلیل احساسات نظرات IMDb با استفاده از امبدینگ Classify IMDb Review Sentiment with Embeddings

• محیط توسعه و بارگذاری مجموعه داده The Development Environment & Load Dataset

• پارامترهای EDA و توکن‌ساز EDA and Tokenizer Hyperparameters

• مدل توکنایزر Tokenizer Model

• مدل TextVectorization TextVectorization Model

• چالش CHALLENGE

دسته بندی متن با استفاده از زیرواژه ها و تحلیل احساسات Classify Text with Subwords and Sentiment Analysis

• راه اندازی محیط توسعه Setup Development Environment

• درجه‌بندی جزئی‌سازی توکنایزیشن: چند حرف "ر" در کلمه توت فرنگی وجود دارد؟ Tokenization Granularity Context: How Many Rs in Strawberry?

• زیرواژه‌های IMDb IMDb Subwords

• توکنایزیشن: YELP YELP: Tokenization

• YELP: مدل‌سازی YELP: Model Building

• چالش Challenge

مقایسه توکن ها و دنباله ها برای درک عمیق تر معنا Compare Tokens and Sequences for Deeper Meaning

• مقایسه توکن ها و دنباله ها برای درک عمیق تر معانی Compare Tokens and Sequences for Deeper Meaning

• مقایسه توکن ها و دنباله ها Compare Tokens and Sequences

• راه اندازی محیط توسعه Setting Up The Development Environment

• مثال‌های کد پایتون شبکه عصبی بازگشتی را بررسی کنید Explore Recurrent Neural Network Python Code Examples

• مقایسه RNN و LSTM Comparing RNNs to LSTMs

• بررسی و حل مسائل توالی به توالی (Seq2Seq) Exploring Sequence Problems to Solve (Seq2Seq)

• چالش CHALLENGE

• راه حل SOLUTION

ساخت مدل تولید دنباله شکسپیری Build a Generative Shakespearean Sequence Model

• معرفی مهارت Skill Introduction

• ساخت مدل تولیدکننده دنباله‌های شکسپیری Build a Generative Shakespearean Sequence Model

• راه اندازی محیط توسعه Setup Your Development Environment

• تعریف و توکنایز کردن متن بدنه (Corpus) Define and Tokenize Corpus Text

• ایجاد و تکمیل دنباله اعداد Create and Pad Sequence of Numbers

• ایجاد مجموعه داده X و Y برای آموزش Create X and y Datasets for Training

• برچسب‌های دسته‌بندی را با روش One-Hot کدگذاری کنید One-Hot Encode Categorical Labels

• ساخت، کامپایل و آموزش مدل Build, Compile, and Train Model

• چالش CHALLENGE

• راه حل Solution

کاوش در شبکه‌های عصبی بازگشتی (RNN)، شبکه‌های حافظه بلندمدت (LSTM) و واحدهای گیت‌دار مکرر (GRU) Explore RNNs, LSTMs, and GRUs

• مقدمه Introduction

• کاوش در RNNها: معادله و حافظه Exploring RNNs: Equation and Memory

• راه اندازی محیط توسعه کُندا Setup The Conda Development Environment

• بررسی شبکه های عصبی بازگشتی (RNN)، شبکه های عصبی بازگشتی دو طرفه و LSTM Explore RNN, Bidirectional RNN, and LSTM

• معماری مدل شبکه عصبی بازگشتی دوطرفه Bidirectional RNN Model Architecture

• معماری مدل LSTM LSTM Model Architecture

• چالش Challenge

کاوش مدل‌های مولد متن مبتنی بر شبکه‌های عصبی بازگشتی (RNN) Explore RNN Generative Text Models

• معرفی مهارت Skill Introduction

• راه اندازی محیط توسعه Set Up Dev Environment

• مدل RNN تک لایه Single Layer RNN Model

• مدل شبکه عصبی بازگشتی دوطرفه Bidirectional RNN Model

• مدل LSTM تک لایه Single Layer LSTM Model

• مدل LSTM دوطرفه Bidirectional LSTM Model

• مدل GRU تک لایه Single Layer GRU Model

• مدل GRU دوطرفه Bidirectional GRU Model

• مفاهیم حساب دیفرانسیل و انتگرال: گرادیان و روش نزول گرادیان را بررسی کنید Review Calculus Concepts: Gradients and Gradient Descent

• چالش Challenge

• راه حل Solution

ساخت مدل LSTM دوطرفه Build a Bidirectional LSTM Model

• معرفی مهارت Skill Introduction

• انتخاب محیط توسعه Select a Development Environment

• ایجاد مدل پایه Build a Baseline Model

• پردازش اولیه داده Data Preprocessing

• تعریف، گردآوری و آموزش مدل Define, Compile, and Train Model

• چالش Challenge

ساخت مدل LSTM دوطرفه چند لایه Build a Multiple Layered Bidirectional LSTM Model

• معرفی مهارت‌ها Skill Introduction

• راه‌اندازی محیط توسعه Setup Development Environment

• بررسی معماری‌های LSTM، GRU و ترکیبی LSTM/کانولوشن Explore LSTM, GRU, and LSTM/Convolutional Architectures

• معادلات Conv/LSTM و تشریح شبکه‌های عصبی کانولوشن (CNN) Conv/LSTM Equations and CNNs Explained

• پردازش و آماده سازی داده ها Perform Data Preprocessing

• تحلیل اکتشافی داده (EDA) روی توییت‌های مربوط به حوادث Perform EDA on Disaster Tweets

• ادامه تحلیل اکتشافی داده‌ها Continue EDA

• چالش 🔥 Challenge 🎉

ساخت شبکه‌های GRU و کانولوشنی LSTM Build GRU and Convolutional LSTM Networks

• معرفی مهارت Skill Introduction

• تنظیم محیط توسعه Set Up the Development Environment

• بهبود عملکرد مدل طبقه‌بندی توییت‌های فاجعه Improve Model Performance for the Disaster Tweets Classifier

• آزمایش عملکرد مدل Model Performance Experiment

• چالش 🎉 Challenge 🎉

• ویدئوی راه حل Solution Video

در مسابقات NLP کگل شرکت کنید Participate in NLP Kaggle Competitions

• معرفی مهارت Skill Introduction

• راه اندازی محیط توسعه Set Up Development Environment

• بارگذاری مجموعه داده و وارد کردن کتابخانه‌ها Load Dataset and Import Libraries

• لِمّا چیست؟ What is Lemma?

• پردازش اولیه مجموعه داده بلایای طبیعی Preprocess Disaster Dataset

• پروژکتور برداری تنسور فلو TensorFlow Vector Projector

• چالش 🎉 Challenge 🎉

• راه حل Solution

آشنایی با تنظیم دقیق مدل‌های TensorFlow Hub Explore Fine-Tuning with TensorFlow Hub Models

• معرفی مهارت Skill Introduction

• تنظیم دقیق چیست؟ What is Fine-Tuning?

• تینسر فلو هاب چیست؟ What is TensorFlow Hub?

• راه‌اندازی محیط توسعه Set Up Development Environment

• ساخت Custom UseLayer Build the Custom UseLayer

• چالش 🎉 Challenge 🎉

• ویدیوهای راه حل Solution Videos

بررسی الگوهای سری زمانی و زمانی Examine Time-Series and Temporal Patterns

• راه‌اندازی محیط توسعه Set Up Development Environment

• مصورسازی با مت‌پلات‌لیب Visualization with Matplotlib

• سری زمانی تک متغیره Univariate Time Series

• سری زمانی چند متغیره Multivariate Time Series

• روندها مصورسازی شده Trends Visualized

• فصل‌بندی و روندها + نمایش بصری فصل‌بندی Seasonality & Trends + Seasonality Visualized

• مرور مفاهیم ریاضی Math Concepts Review

• چالش 🎉 Challenge 🎉

مدل‌های پیش‌بینی سری زمانی با DNN بسازید Build Time-Series Forecasting Models with DNN

• معرفی مهارت Skill Introduction

• راه‌اندازی محیط توسعه Set Up Development Environment

• موج سینوسی چیست، سری چیست و چرا مفید است؟ What is a Sine Wave, Series, and Why Is It Useful?

• ساخت مجموعه داده مصنوعی | موج سینوسی کثیف Build a Synthetic Dataset | Dirty Sine Wave

• زمان تقسیم چیست؟ What is Split Time?

• توسعه تابع کمکی پنجره‌بندی داده Code a Data Windowing Helper Function

• مدل چه چیزی می‌بیند؟ (پشت صحنه) What is the Model Seeing? (Behind the Scenes)

• چالش 🎉 Challenge 🎉

• ویدئوی راه حل Solution Video

ساخت مدل‌های پیش‌بینی سری زمانی با RNN Build Time-Series Forecasting Models with RNN

• معرفی مهارت Skill Introduction

• راه‌اندازی محیط توسعه Set Up Development Environment

• مفاهیم ترکیب خطی را کاوش کنید Explore Linear Combination Concepts

• ترکیب خطی شبکه‌های عصبی عمیق (DNN) و شبکه‌های عصبی بازگشتی (RNN) Inside Linear Combinations of DNN & RNN

• چرا نمونه‌های ما در حال اتمام هستند؟ Why Are We Running Out of Samples?

• چالش 🎉 CHALLENGE 🎉

• راه حل ۱: DNN Solution 1: DNN

• راه حل ۲: RNN Solution 2: RNN

مقایسه مدل‌های پیش‌بینی RNN و LSTM Compare RNN and LSTM Forecasting Models

• معرفی مهارت Skill Introduction

• راه اندازی محیط توسعه Set Up Development Environment

• چالش شماره ۱ Challenge #1

• راه حل شماره ۱ Solution #1

• چالش شماره ۲ Challenge #2

• راه حل شماره ۲ Solution #2

• چالش شماره ۳ Challenge #3

• راه حل شماره ۳ Solution #3

ساخت مدل‌های پیش‌بینی DNN، LSTM و CNN Build DNN, LSTM, and CNN Forecasting Models

• معرفی مهارت Skill Introduction

• راه اندازی محیط توسعه Set Up Development Environment

• کشف مجموعه داده لکه های خورشیدی در Kaggle و ویکی‌پدیا Explore the Sunspots Dataset on Kaggle and Wikipedia

• با در نظر گرفتن معماری مدل و چرخه‌های ۱۱ یا ۲۲ ساله؟ Considering Model Architecture and the 11 or 22 Year Cycles?

• چرا LSTM های دوطرفه برای پیش‌بینی لکه‌های خورشیدی مناسب نیستند Why Bidirectional LSTMs are a Poor Fit for Sunspots Predictions

• مقایسه معماری مدل LSTM و دوطرفه Compare LSTM and Bidirectional Model Architecture

• بهترینِ هر دو دنیا: LSTM ❤️ CNN Best of Both Worlds: LSTM ❤️ CNN

• چالش Challenge