آموزش شبکه های عصبی در پایتون از ابتدا: راهنمای کامل

Neural Networks in Python from Scratch: Complete guide

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: اصول یادگیری عمیق شبکه های عصبی در پایتون را هم در تئوری و هم در عمل بیاموزید! گام به گام تمام محاسبات ریاضی مربوط به شبکه های عصبی مصنوعی را بیاموزید پیاده سازی شبکه های عصبی در پایتون و Numpy از ابتدا درک مفاهیمی مانند پرسپترون، توابع فعال سازی، پس انتشار، نزول گرادیان، نرخ یادگیری و موارد دیگر ساخت شبکه های عصبی اعمال شده برای طبقه بندی و وظایف رگرسیون پیاده سازی عصبی شبکه های با استفاده از کتابخانه ها مانند: Pybrain، sklearn، TensorFlow و PyTorch پیش نیازها: منطق برنامه نویسی (اگر، while و برای دستورات) برنامه نویسی پایه پایتون بدون دانش قبلی در مورد شبکه های عصبی مصنوعی یا هوش مصنوعی

شبکه‌های عصبی مصنوعی امروزه به عنوان کارآمدترین تکنیک‌های یادگیری ماشین در نظر گرفته می‌شوند و شرکت‌هایی مانند Google، IBM و Microsoft از آن‌ها به روش‌های بی‌شماری استفاده می‌کنند. احتمالاً در مورد ماشین‌های خودران یا برنامه‌هایی شنیده‌اید که آهنگ‌ها، شعرها، تصاویر و حتی کل فیلم‌نامه‌های جدید خلق می‌کنند! نکته جالب در این مورد این است که بیشتر آنها با استفاده از شبکه های عصبی ساخته شده اند. شبکه‌های عصبی برای مدتی مورد استفاده قرار می‌گرفتند، اما با ظهور Deep Learning، آنها قوی‌تر از همیشه بازگشتند و اکنون به عنوان پیشرفته‌ترین فناوری برای تجزیه و تحلیل داده‌ها دیده می‌شوند.

یکی از بزرگ‌ترین مشکلاتی که در دانش‌آموزانی که شروع به یادگیری در مورد شبکه‌های عصبی کرده‌اند، فقدان محتوای قابل درک است. این به دلیل این واقعیت است که اکثر مواد موجود بسیار فنی هستند و از فرمول های ریاضی زیادی استفاده می کنند، که به سادگی فرآیند یادگیری را برای هرکسی که می خواهد اولین گام خود را در این زمینه بردارد بسیار دشوار می کند. با در نظر گرفتن این موضوع، هدف اصلی این دوره ارائه مفاهیم نظری و ریاضی شبکه های عصبی به روشی ساده و در عین حال کامل است، بنابراین حتی اگر چیزی در مورد شبکه های عصبی نمی دانید، تمام فرآیندها را درک خواهید کرد. ما مفاهیمی مانند پرسپترون‌ها، توابع فعال‌سازی، شبکه‌های چندلایه، نزول گرادیان و الگوریتم‌های پس انتشار را پوشش می‌دهیم، که پایه‌هایی را تشکیل می‌دهند که از طریق آنها به طور کامل متوجه خواهید شد که یک شبکه عصبی چگونه ساخته می‌شود. ما همچنین پیاده سازی ها را به صورت گام به گام با استفاده از Python که یکی از محبوب ترین زبان های برنامه نویسی در زمینه علم داده است، پوشش خواهیم داد. مهم است که تأکید کنیم پیاده‌سازی‌های گام به گام بدون استفاده از کتابخانه‌های پایتون مخصوص یادگیری ماشین انجام می‌شوند، زیرا ایده پشت این دوره برای شما این است که بفهمید چگونه تمام محاسبات لازم برای ساخت یک شبکه عصبی را انجام دهید. خراشید.

به طور خلاصه، اگر می خواهید اولین قدم های خود را در یادگیری عمیق بردارید، این دوره هر آنچه را که نیاز دارید در اختیار شما قرار می دهد. همچنین ذکر این نکته ضروری است که این دوره برای دانشجویانی است که در حال شروع با شبکه های عصبی هستند، بنابراین توضیحات عمداً کند خواهد بود و هر مرحله را به طور کامل پوشش می دهد تا شما مطالب را به بهترین شکل ممکن یاد بگیرید. از سوی دیگر، اگر از قبل راه خود را در مورد شبکه‌های عصبی می‌دانید، این دوره برای بازنگری و مرور برخی مفاهیم مهم برای شما بسیار مفید خواهد بود.

آیا برای برداشتن گام بعدی در حرفه حرفه ای خود آماده اید؟ من شما را در دوره می بینم!


سرفصل ها و درس ها

معرفی Introduction

  • مقدمه و محتوای دوره Introduction and course content

  • مواد را دریافت کنید Get the materials

معرفی Introduction

  • مقدمه و محتوای دوره Introduction and course content

  • مواد را دریافت کنید Get the materials

پرسپترون تک لایه Single layer perceptron

  • طرح حمله Plan of attack

  • کاربردهای شبکه های عصبی مصنوعی Applications of artificial neural networks

  • مبانی بیولوژیکی Biological fundamentals

  • نورون مصنوعی Artificial neuron

  • نورون مصنوعی Artificial neuron

  • پرسپترون Perceptron

  • اجرای پرسپترون 1 Perceptron implementation 1

  • اجرای پرسپترون 2 Perceptron implementation 2

  • به روز رسانی وزن 1 Weight update 1

  • به روز رسانی وزن 1 Weight update 1

  • به روز رسانی وزن 2 Weight update 2

  • اجرای پرسپترون 3 Perceptron implementation 3

  • اجرای پرسپترون 4 Perceptron implementation 4

  • اجرای پرسپترون 5 Perceptron implementation 5

  • اجرای پرسپترون 5 Perceptron implementation 5

  • خواندن اضافی Additional reading

  • پرسپترون تک لایه Single layer perceptron

  • پرسپترون تک لایه Single layer perceptron

  • آموزش تکلیف Homework instruction

  • راه حل تکلیف Homework solution

پرسپترون تک لایه Single layer perceptron

  • طرح حمله Plan of attack

  • کاربردهای شبکه های عصبی مصنوعی Applications of artificial neural networks

  • مبانی بیولوژیکی Biological fundamentals

  • پرسپترون Perceptron

  • اجرای پرسپترون 1 Perceptron implementation 1

  • اجرای پرسپترون 2 Perceptron implementation 2

  • به روز رسانی وزن 2 Weight update 2

  • اجرای پرسپترون 3 Perceptron implementation 3

  • اجرای پرسپترون 4 Perceptron implementation 4

  • خواندن اضافی Additional reading

  • آموزش تکلیف Homework instruction

  • راه حل تکلیف Homework solution

پرسپترون چند لایه Multilayer perceptron

  • طرح حمله Plan of attack

  • مقدمه ای بر شبکه های عصبی چندلایه Introduction to multilayer neural networks

  • مقدمه ای بر شبکه های عصبی چندلایه Introduction to multilayer neural networks

  • توابع فعال سازی Activation functions

  • اجرای تابع سیگموئید Sigmoid function implementation

  • فعال سازی لایه مخفی 1 Hidden layer activation 1

  • فعال سازی لایه مخفی 1 Hidden layer activation 1

  • فعال سازی لایه مخفی 2 Hidden layer activation 2

  • فعال سازی لایه مخفی 2 Hidden layer activation 2

  • اجرای پرسپترون چند لایه 1 Multilayer perceptron implementation 1

  • اجرای پرسپترون چند لایه 1 Multilayer perceptron implementation 1

  • اجرای پرسپترون چند لایه 2 Multilayer perceptron implementation 2

  • اجرای پرسپترون چند لایه 2 Multilayer perceptron implementation 2

  • فعال سازی لایه خروجی Output layer activation

  • اجرای پرسپترون چند لایه 3 Multilayer perceptron implementation 3

  • اجرای پرسپترون چند لایه 3 Multilayer perceptron implementation 3

  • محاسبه خطا (عملکرد ضرر) Error calculation (loss function)

  • اجرای پرسپترون چند لایه 4 Multilayer perceptron implementation 4

  • الگوریتم پایه Basic algorithm

  • الگوریتم پایه Basic algorithm

  • نزول گرادیان و مشتق Gradient descent and derivative

  • نزول گرادیان و مشتق Gradient descent and derivative

  • اجرای پرسپترون چند لایه 5 Multilayer perceptron implementation 5

  • لایه دلتای خروجی Output layer delta

  • اجرای پرسپترون چند لایه 6 Multilayer perceptron implementation 6

  • اجرای پرسپترون چند لایه 6 Multilayer perceptron implementation 6

  • دلتای لایه پنهان Hidden layer delta

  • اجرای پرسپترون چند لایه 7 Multilayer perceptron implementation 7

  • پس انتشار و میزان یادگیری Backpropagation and learning rate

  • به روز رسانی وزن با backprogation 1 Weight update with backprogation 1

  • اجرای پرسپترون چند لایه 8 Multilayer perceptron implementation 8

  • به روز رسانی وزن با backprogation 2 Weight update with backprogation 2

  • اجرای پرسپترون چند لایه 9 Multilayer perceptron implementation 9

  • اجرای پرسپترون چند لایه 9 Multilayer perceptron implementation 9

  • اجرای پرسپترون چند لایه 10 Multilayer perceptron implementation 10

  • مجموعه داده عنبیه Iris dataset

  • مجموعه داده عنبیه Iris dataset

  • بایاس، خطا و خروجی های متعدد Bias, error and multiple outputs

  • بایاس، خطا و خروجی های متعدد Bias, error and multiple outputs

  • لایه های پنهان Hidden layers

  • لایه های پنهان Hidden layers

  • لایه خروجی با داده های طبقه بندی شده Output layer with categorical data

  • لایه خروجی با داده های طبقه بندی شده Output layer with categorical data

  • نزول گرادیان تصادفی Stochastic gradient descent

  • نزول گرادیان تصادفی Stochastic gradient descent

  • یادگیری عمیق Deep learning

  • یادگیری عمیق Deep learning

  • خواندن اضافی Additional reading

  • پرسپترون چند لایه Multi-layer perceptron

  • آموزش تکلیف Homework instruction

  • راه حل تکلیف Homework solution

پرسپترون چند لایه Multilayer perceptron

  • طرح حمله Plan of attack

  • توابع فعال سازی Activation functions

  • اجرای تابع سیگموئید Sigmoid function implementation

  • فعال سازی لایه خروجی Output layer activation

  • محاسبه خطا (عملکرد ضرر) Error calculation (loss function)

  • اجرای پرسپترون چند لایه 4 Multilayer perceptron implementation 4

  • اجرای پرسپترون چند لایه 5 Multilayer perceptron implementation 5

  • لایه دلتای خروجی Output layer delta

  • دلتای لایه پنهان Hidden layer delta

  • اجرای پرسپترون چند لایه 7 Multilayer perceptron implementation 7

  • پس انتشار و میزان یادگیری Backpropagation and learning rate

  • به روز رسانی وزن با backprogation 1 Weight update with backprogation 1

  • اجرای پرسپترون چند لایه 8 Multilayer perceptron implementation 8

  • به روز رسانی وزن با backprogation 2 Weight update with backprogation 2

  • اجرای پرسپترون چند لایه 10 Multilayer perceptron implementation 10

  • خواندن اضافی Additional reading

  • پرسپترون چند لایه Multi-layer perceptron

  • آموزش تکلیف Homework instruction

  • راه حل تکلیف Homework solution

کتابخانه های شبکه های عصبی Libraries for neural networks

  • طرح حمله Plan of attack

  • Pybrain 1 Pybrain 1

  • Pybrain 2 Pybrain 2

  • Pybrain 2 Pybrain 2

  • دستورالعمل تکلیف: مجموعه داده عنبیه Homework instruction: iris dataset

  • راه حل تکلیف Homework solution

  • Sklearn برای طبقه بندی 1 Sklearn for classification 1

  • Sklearn برای طبقه بندی 2 Sklearn for classification 2

  • Sklearn برای طبقه بندی 3 Sklearn for classification 3

  • Sklearn برای رگرسیون Sklearn for regression

  • Sklearn برای رگرسیون Sklearn for regression

  • آموزش تکلیف: طبقه بندی شراب Homework instruction: wine classification

  • راه حل تکلیف Homework solution

  • TensorFlow برای طبقه بندی تصاویر 1 TensorFlow for image classification 1

  • TensorFlow برای طبقه بندی تصاویر 1 TensorFlow for image classification 1

  • TensorFlow برای طبقه بندی تصاویر 2 TensorFlow for imagem classification 2

  • TensorFlow برای طبقه بندی تصویر 3 TensorFlow for image classification 3

  • TensorFlow برای طبقه بندی تصویر 3 TensorFlow for image classification 3

  • آموزش تکلیف: طبقه بندی منیست مد Homework instruction: fashion mnist classification

  • راه حل تکلیف Homework solution

  • PyTorch برای طبقه بندی 1 PyTorch for classification 1

  • PyTorch برای طبقه بندی 2 PyTorch for classification 2

  • PyTorch برای طبقه بندی 2 PyTorch for classification 2

  • PyTorch برای طبقه بندی 3 PyTorch for classification 3

  • آموزش تکلیف: طبقه بندی دیابت Homework instruction: diabetes classification

  • آموزش تکلیف: طبقه بندی دیابت Homework instruction: diabetes classification

  • راه حل تکلیف Homework solution

  • راه حل تکلیف Homework solution

  • اظهارات پایانی Final remarks

  • اظهارات پایانی Final remarks

کتابخانه های شبکه های عصبی Libraries for neural networks

  • طرح حمله Plan of attack

  • Pybrain 1 Pybrain 1

  • دستورالعمل تکلیف: مجموعه داده عنبیه Homework instruction: iris dataset

  • راه حل تکلیف Homework solution

  • Sklearn برای طبقه بندی 1 Sklearn for classification 1

  • Sklearn برای طبقه بندی 2 Sklearn for classification 2

  • Sklearn برای طبقه بندی 3 Sklearn for classification 3

  • آموزش تکلیف: طبقه بندی شراب Homework instruction: wine classification

  • راه حل تکلیف Homework solution

  • TensorFlow برای طبقه بندی تصاویر 2 TensorFlow for imagem classification 2

  • آموزش تکلیف: طبقه بندی منیست مد Homework instruction: fashion mnist classification

  • راه حل تکلیف Homework solution

  • PyTorch برای طبقه بندی 1 PyTorch for classification 1

  • PyTorch برای طبقه بندی 3 PyTorch for classification 3

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 شبکه های عصبی در پایتون از ابتدا: راهنمای کامل
جزییات دوره
8.5 hours
73
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,091
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Jones Granatyr Jones Granatyr

استاد اولا! 10 مورد از جونز گراناتیر و ترابیلو در 10 سال گذشته است که شامل Inteligência Artificial (IA) می باشد استاد حرفه ای ، پشکیزادور و بنیانگذار پورتال IA Expert ، وب سایت com conteúdo específico sobre Inteligência Artificial. Desde que iniciei na Udemy criei vários cursos sobre diversos assuntos de IA، como as exemplolo: یادگیری عمیق ، یادگیری ماشین ، علم داده ، Redes Neurais Artificiais، Algoritmos Genéticos، Detecção e Reconhecimento Facial، Algoritmos de cesos، Busca ، Mineração de Regras de Associação ، Sistemas Especialistas e Sistemas de Recomendação. اگر بخواهید از طریق برنامه های مختلف زبان (Python ، R e Java) و یا فن آوری های مختلف (tensorflow ، keras ، pandas ، sklearn ، opencv ، dlib ، weka ، nltk ، به عنوان مثال) استفاده کنید. با توجه به هدف اصلی و دستیابی به اطلاعات IA و مجوز فعالیت در TI و متقاضیان ، به عنوان تجدید نظر در زمینه استفاده از قوانین و مقررات و امکان مشاهده تجدید نظرهای جدید در زمینه مشروبات الکلی ارائه می شود.

IA Expert Academy IA Expert Academy

Plataforma de Cursos sobre Ciência de Dados و IAA plataforma IA Expert tem o Objetivo de trazer cursos teóricos and Páticos de facil entendimento sobre sobre Inteligência Artificial e Ciência de Dados، برای اینکه حرفه ای به عنوان یک IAcareos به عنوان یک رضایتمندی به عنوان یک رضایتمندی شناخته شود. trazer para seus negócios، bem como apresentar todas as oportunidades que essa área pode trazer para profissionais de tecnologia da informação. Também trazemos notícias atualizadas semanais sobre a área em nosso portal.

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر