آموزش پایتون برای یادگیری عمیق - ساخت شبکه های عصبی در پایتون [ویدئو]

سرفصل ها و درس ها

مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

• معرفی دوره Course Introduction

• یادگیری عمیق چیست؟ What is Deep Learning?

• چرا یادگیری عمیق مهم است؟ Why is Deep Learning Important?

• نرم افزار و چارچوب Software and Frameworks

شبکه های عصبی مصنوعی (ANN) Artificial Neural Networks (ANN)

• بخش مقدمه Section Introduction

• آناتومی و عملکرد نورون ها Anatomy and Function of Neurons

• مقدمه ای بر شبکه عصبی An Introduction to The Neural Network

• معماری یک شبکه عصبی Architecture of a Neural Network

انتشار اطلاعات در شبکه های عصبی مصنوعی Propagation of Information in ANNs

• شبکه‌های انتشار پیش‌خور و برگشتی Feed-Forward and Back Propagation Networks

• انتشار پس در شبکه های عصبی Backpropagation in Neural Networks

• به حداقل رساندن تابع هزینه با استفاده از پس انتشار Minimizing the Cost Function Using Backpropagation

معماری شبکه های عصبی Neural Network Architectures

• مدل پرسپترون تک لایه (SLP). Single Layer Perceptron (SLP) Model

• شبکه پایه شعاعی (RBN) Radial Basis Network (RBN)

• شبکه عصبی پرسپترون چند لایه (MLP). Multi-Layer Perceptron (MLP) Neural Network

• شبکه عصبی مکرر (RNN) Recurrent Neural Network (RNN)

• شبکه های حافظه کوتاه مدت (LSTM). Long Short-Term Memory (LSTM) Networks

• شبکه عصبی هاپفیلد Hopfield Neural Network

• شبکه عصبی ماشین بولتزمن Boltzmann Machine Neural Network

توابع فعال سازی Activation Functions

• عملکرد فعال سازی چیست؟ What is the Activation Function?

• اصطلاحات مهم Important Terminologies

• تابع سیگموئید The Sigmoid Function

• تابع مماس هایپربولیک Hyperbolic Tangent Function

• عملکرد SoftMax SoftMax Function

• تابع واحد خطی اصلاح شده (ReLU). Rectified Linear Unit (ReLU) Function

• عملکرد واحد خطی اصلاح شده نشتی Leaky Rectified Linear Unit function

الگوریتم گرادیان نزول Gradient Descent Algorithm

• Gradient Descent چیست؟ What is Gradient Descent?

• نزول گرادیان تصادفی چیست؟ What is Stochastic Gradient Descent?

• گرادیان نزول در مقابل شیب تصادفی نزول Gradient Descent versus Stochastic Gradient Descent

خلاصه - مروری بر شبکه های عصبی Summary - Overview of Neural Networks

• شبکه های عصبی مصنوعی چگونه کار می کنند؟ How do Artificial Neural Networks Work?

• مزایای شبکه های عصبی Advantages of Neural Networks

• معایب شبکه های عصبی Disadvantages of Neural Networks

• کاربردهای شبکه های عصبی Applications of Neural Networks

پیاده سازی ANN در پایتون Implementation of ANN in Python

• معرفی Introduction

• کاوش مجموعه داده Exploring the Dataset

• بیان مسأله Problem Statement

• پیش پردازش داده ها Data Pre-Processing

• در حال بارگیری مجموعه داده Loading the Dataset

• تقسیم مجموعه داده به متغیرهای مستقل و وابسته Splitting the Dataset into Independent and Dependent Variables

• رمزگذاری برچسب با استفاده از Scikit-Learn Label Encoding Using Scikit-Learn

• رمزگذاری یکباره با استفاده از scikit-learn One-hot encoding using scikit-learn

• مجموعه های آموزشی و آزمایشی: تقسیم داده ها Training and Test Sets: Splitting Data

• مقیاس بندی ویژگی ها Feature Scaling

• ساخت شبکه عصبی مصنوعی Building the Artificial Neural Network

• اضافه کردن لایه ورودی و اولین لایه پنهان Adding the Input Layer and the First Hidden Layer

• افزودن لایه پنهان بعدی Adding the Next Hidden Layer

• اضافه کردن لایه خروجی Adding the Output Layer

• کامپایل شبکه عصبی مصنوعی Compiling the Artificial Neural Network

• برازش مدل ANN به مجموعه آموزشی Fitting the ANN Model to the Training Set

• پیش بینی نتایج مجموعه تست Predicting the Test Set Results

شبکه های عصبی کانولوشن (CNN) Convolutional Neural Networks (CNN)

• معرفی Introduction

• اجزای شبکه های عصبی کانولوشنال Components of Convolutional Neural Networks

• لایه پیچیدگی Convolution Layer

• لایه ادغام Pooling Layer

• لایه کاملا متصل Fully Connected Layer

پیاده سازی CNN در پایتون Implementation of CNN in Python

• مجموعه داده Dataset

• واردات کتابخانه ها Importing Libraries

• ساخت مدل CNN Building the CNN Model

• دقت مدل Accuracy of the Model