آموزش شبکه های عصبی مکرر (RNN): یادگیری عمیق برای توالی ها و سری های زمانی

Recurrent Neural Networks (RNNs): Deep Learning for Sequences and Time Series

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: شبکه‌های عصبی مکرر (RNN) در پردازش توالی‌ها برتری دارند و آن‌ها را برای تجزیه و تحلیل و پیش‌بینی داده‌های سری زمانی با وابستگی‌های زمانی ایده‌آل می‌سازد. درک و پیش‌بینی داده‌های متوالی، مانند سری‌های زمانی مالی، گفتار یا متن، نیازمند یک رویکرد تخصصی برای ثبت اطلاعات است. ماهیت وابسته به زمان اطلاعات شبکه های عصبی سنتی به دلیل اینکه اطلاعات گذشته را برای پیش بینی های آینده حفظ نمی کنند، کوتاهی می کنند. در این دوره، شبکه‌های عصبی مکرر (RNN): یادگیری عمیق برای توالی‌ها و سری‌های زمانی، شما توانایی ساخت و استقرار مدل‌های RNN را خواهید داشت که می‌توانند داده‌های مبتنی بر زمان را با دقت بالا پیش‌بینی و تحلیل کنند. ابتدا، مفاهیم اساسی RNN ها، از جمله نحوه پردازش و به خاطر سپردن اطلاعات در طول زمان را بررسی خواهید کرد، که برای درک داده های متوالی بسیار مهم است. در مرحله بعد، نحوه طراحی و پیاده‌سازی معماری‌های پیشرفته RNN مانند شبکه‌های حافظه کوتاه‌مدت (LSTM) را خواهید دید که با مدیریت بهتر وابستگی‌های دوربرد، بر محدودیت‌های RNN‌های سنتی غلبه می‌کنند. در نهایت، شما یاد خواهید گرفت که چگونه مدل‌های RNN خود را تنظیم و ارزیابی کنید، و مطمئن شوید که آنها قوی، دقیق و آماده برای مقابله با مشکلات پیش‌بینی توالی در دنیای واقعی هستند. وقتی این دوره را به پایان رساندید، مهارت ها و دانش RNN های مورد نیاز برای توسعه مدل های یادگیری عمیق را خواهید داشت که می توانند داده های متوالی را در برنامه های مختلف پیش بینی، تولید و تفسیر کنند.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک و پیاده سازی RNN و LSTM Understanding and Implementing RNNs and LSTMs

  • معرفی شبکه های عصبی بازگشتی (RNN) Introducing Recurrent Neural Networks (RNNs)

  • آشنایی با معماری RNN ها Understanding the Architecture of RNNs

  • توابع فعال سازی در شبکه های عصبی Activation Functions in Neural Networks

  • معماری حافظه کوتاه مدت بلند مدت Long Short-term Memory Architecture

  • نسخه ی نمایشی: ساخت و آموزش یک RNN برای پیش بینی سری های زمانی Demo: Building and Training an RNN for Time Series Prediction

تکنیک های پیشرفته RNN و برنامه های کاربردی در دنیای واقعی Advanced RNN Techniques and Real-world Applications

  • GRU ها و RNN های دوطرفه GRUs and Bidirectional RNNs

  • تجزیه و تحلیل انواع RNN Analyzing RNN Variants

  • نسخه ی نمایشی: مقایسه انواع RNN Demo: RNN Variant Comparison

  • رمزگذار رمزگشا و توجه Encoder-decoders and Attention

  • کاربردهای واقعی RNN ها Real-world Applications of RNNs

نمایش نظرات

آموزش شبکه های عصبی مکرر (RNN): یادگیری عمیق برای توالی ها و سری های زمانی
جزییات دوره
0h 31m
11
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Pinal Dave
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Pinal Dave Pinal Dave

Pinal Dave یک متخصص تنظیم عملکرد SQL سرور و یک مشاور مستقل است. وی 11 کتاب پایگاه داده SQL Server ، 25 دوره Pluralsight را تألیف کرده و بیش از 5000 مقاله در زمینه فناوری پایگاه داده در وبلاگ خود در https://blog.sqlauthority.com نوشته است. وی همراه با 16 سال تجربه عملی ، دارای مدرک کارشناسی ارشد علوم و تعدادی گواهینامه پایگاه داده است.