نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این دوره ، شما یاد خواهید گرفت که از TensorFlow.js برای ساخت ، آموزش و استقرار مدل های یادگیری ماشین و یادگیری عمیق برای تأمین انرژی برنامه های سمت کلاینت و سمت سرور با استفاده از زبان JavaScript استفاده کنید. یادگیری ماشین و یادگیری عمیق برخی از اینها را تقویت می کند پیشگامانه ترین کاربردهای عصر حاضر است. با این حال ، تا همین اواخر ، با وجود اینکه یکی از محبوب ترین زبانها در جهان است ، جاوا اسکریپت به عنوان زبان اصلی برای توسعه و استفاده از مدل یادگیری ماشین در نظر گرفته نمی شد. TensorFlow.js اکنون به توسعه دهندگان JavaScript اجازه می دهد تا مهارت های خود را برای ساخت ، آموزش و استقرار مدل های یادگیری ماشین و یادگیری عمیق گسترش دهند. در این دوره ، Building Solutions Learning Solutions with TensorFlow.js ، با اکوسیستم TensorFlow.js و نحوه تنظیم آن در سمت مشتری در مرورگر و سمت سرور با Node.js. آشنا خواهید شد. ابتدا می فهمید که چگونه می توانید از محیط برای ساختن یک برنامه یادگیری ماشین به پایان برسید که از پردازش زبان طبیعی (NLP) در زیر کاپوت برای شناسایی عناصر سمی در متن بدون ساختار استفاده می کند. در مرحله بعدی ، نحوه وارد کردن و پردازش داده ها ، ساخت ، آموزش و صادرات مدل را یاد خواهید گرفت و در نهایت با استفاده از مدل آموزش دیده پیش بینی می کنید. سرانجام ، شما نحوه استفاده از مدلهای موجود آموزش دیده در پایتون را در سمت مشتری با استفاده از TensorFlow.js کشف خواهید کرد ، و حتی با استفاده از یادگیری انتقال ، مدل از قبل آموزش دیده را دوباره آموزش می بینید. با پایان این دوره ، شما مهارت و دانش TensorFlow.js را برای ساخت ، آموزش و استقرار مدل های یادگیری ماشین و یادگیری عمیق در سمت مشتری و همچنین در سمت سرور دارید که می تواند پیشرفته باشد. برنامه های کاربردی.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
مقدمه
Introduction
-
مقدمه
Introduction
-
چرا TensorFlow.js؟
Why TensorFlow.js?
-
عملکرد TensorFlow.js
TensorFlow.js Performance
-
بررسی اجمالی TensorFlow.js
TensorFlow.js Overview
-
نسخه ی نمایشی دوره
Course Demo
-
ساختار دوره
Course Structure
تنظیم محیط TensorFlow.js
Setting up TensorFlow.js Environment
-
مقدمه
Introduction
-
TensorFlow.js در مرورگر با استفاده از برچسب اسکریپت
TensorFlow.js in Browser Using Script Tag
-
نسخه ی نمایشی: در حال اجرا TensorFlow.js در مرورگر با برچسب اسکریپت
Demo: Running TensorFlow.js in Browser with Script Tag
-
TensorFlow.js در مرورگر با استفاده از مدیران بسته
TensorFlow.js in Browser Using Package Managers
-
نسخه ی نمایشی: اجرای TensorFlow.js در مرورگر با استفاده از NPM و Parcel
Demo: Running TensorFlow.js in Browser Using NPM and Parcel
-
نسخه ی نمایشی: کاوش باطن TensorFlow.js
Demo: Exploring TensorFlow.js Backends
-
نسخه ی نمایشی: اجرای TensorFlow.js در Node.js
Demo: Running TensorFlow.js in Node.js
-
خلاصه
Summary
درک مفاهیم اصلی TensorFlow.js
Understanding TensorFlow.js Core Concepts
-
مقدمه
Introduction
-
بررسی اجمالی تنسور
Tensor Overview
-
نسخه ی نمایشی: کار با تنسورها
Demo: Working with Tensors
-
عملیات اساسی تانسور
Basic Tensor Operations
-
نسخه ی نمایشی: انجام عملیات اساسی تانسور
Demo: Performing Basic Tensor Operations
-
مدیریت حافظه با TensorFlow.js
Managing Memory with TensorFlow.js
-
نسخه ی نمایشی: مدیریت حافظه با TensorFlow.js
Demo: Managing Memory with TensorFlow.js
-
خلاصه
Summary
آماده سازی داده ها برای مدل یادگیری ماشین: قسمت 1
Preparing Data for Machine Learning Model: Part 1
-
مقدمه
Introduction
-
گردش کار یادگیری ماشین
Machine Learning Workflow
-
مورد استفاده برای تشخیص سمیت
Toxicity Detection Use Case
-
کار با TFJS Data
Working with TFJS Data
-
برنامه نویسی Async JS
Async JS Programming
-
نسخه ی نمایشی: خواندن داده ها با استفاده از داده های TFJS
Demo: Reading Data Using TFJS Data
-
کار با TFVis
Working with TFVis
-
نسخه ی نمایشی: تجسم داده ها با استفاده از TFVis
Demo: Visualizing Data Using TFVis
-
خلاصه
Summary
آماده سازی داده ها برای مدل یادگیری ماشین: قسمت 2
Preparing Data for Machine Learning Model: Part 2
-
مقدمه
Introduction
-
ایجاد ویژگی ها از متن
Generating Features from Text
-
نسخه ی نمایشی: تولید ویژگی های TFIDF
Demo: Generating TFIDF Features
-
ژنراتور عملکرد
Function Generator
-
نسخه ی نمایشی: ایجاد مجموعه ای از ویژگی ها با استفاده از مولد ها
Demo: Creating Feature Dataset Using Generators
-
آزمون اعتبار سنجی قطار
Train Validation Test Split
-
نسخه ی نمایشی: تقسیم داده ها به مجموعه اعتبار سنجی و مجموعه داده های آزمون
Demo: Splitting Data into Train Validation and Test Datasets
-
خلاصه
Summary
ساخت ، آموزش و ارزیابی مدل یادگیری ماشین
Building, Training, and Evaluating Machine Learning Model
-
مقدمه
Introduction
-
بررسی اجمالی شبکه عصبی
Neural Network Overview
-
ساخت شبکه عصبی با استفاده از لایه های API
Building Neural Network Using Layers API
-
نسخه ی نمایشی: ساخت شبکه عصبی با استفاده از API لایه ها
Demo: Building Neural Network Using Layers API
-
مدل آموزش با استفاده از TensorFlow.js
Training Model Using TensorFlow.js
-
نسخه ی نمایشی: آموزش مدل شبکه عصبی
Demo: Training Neural Network Model
-
نسخه ی نمایشی: تجسم عملکرد آموزش
Demo: Visualizing Training Performance
-
نسخه ی نمایشی: ارزیابی عملکرد مدل
Demo: Evaluating Model Performance
-
معیارهای عملکرد مدل
Model Performance Metrics
-
نسخه ی نمایشی: تجسم معیارهای عملکرد مدل
Demo: Visualizing Model Performance Metrics
-
نسخه ی نمایشی: آموزش در حال اجرا در Node.js
Demo: Running Training in Node.js
-
خلاصه
Summary
ذخیره و بارگیری مدل یادگیری ماشین
Saving and Loading Machine Learning Model
-
مقدمه
Introduction
-
گزینه های صادرات مدل
Model Export Options
-
نسخه ی نمایشی: صادر کردن مدل آموزش دیده
Demo: Exporting Trained Model
-
مدل بارگیری
Load Model
-
نسخه ی نمایشی: بارگیری مدل آموزش دیده TensorFlow.js
Demo: Loading Trained TensorFlow.js Model
-
خلاصه
Summary
پیش بینی با استفاده از مدل یادگیری ماشین آموزش دیده
Predicting Using Trained Machine Learning Model
-
مقدمه
Introduction
-
امتیاز دهی به مدل
Model Scoring
-
نسخه ی نمایشی: پیش بینی با استفاده از مدل آموزش دیده TensorFlow.js
Demo: Predicting Using Trained TensorFlow.js Model
-
تحقق بخشیدن به رابط کاربر
Materialize UI
-
نسخه ی نمایشی: راه اندازی رابط کاربر Materialize
Demo: Setting up Materialize UI
-
نسخه ی نمایشی: ادغام مراحل با UI
Demo: Integrate Steps with UI
-
مبدل TensorFlow.js
TensorFlow.js Converter
-
نسخه ی نمایشی: پیش بینی با استفاده از مدل صادر شده پایتون
Demo: Predicting Using Python Exported Model
-
خلاصه
Summary
استفاده از مدلهای از قبل آموزش دیده با TensorFlow.js
Using Pre-trained Models with TensorFlow.js
-
مقدمه
Introduction
-
انتقال آموزش با TensorFlow.js
Transfer Learning with TensorFlow.js
-
نسخه ی نمایشی: ایجاد ویژگی ها از مدل رمزگذاری جملات جهانی (USE)
Demo: Creating Features from Universal Sentence Encoder (USE) Model
-
نسخه ی نمایشی: انجام آموزش انتقال در ویژگی های رمزگذاری شده USE
Demo: Performing Transfer Learning on USE Encoded Features
-
مدل تشخیص سمیت
Toxicity Detection Model
-
نسخه ی نمایشی: با استفاده از مدل تشخیص سمیت TensorFlow.js
Demo: Using TensorFlow.js Toxicity Detection Model
-
خلاصه
Summary
بعدی چیست
What's Next?
-
سفر خود را به جلو
Taking Your Journey Forward
Pluralsight (پلورال سایت)
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
نمایش نظرات