لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق: شبکه های عصبی مکرر در پایتون
Deep Learning: Recurrent Neural Networks in Python
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
GRU، LSTM، پیشبینی سریهای زمانی، پیشبینیهای سهام، پردازش زبان طبیعی (NLP) با استفاده از هوش مصنوعی استفاده از RNN در پیشبینی سریهای زمانی (برخورد با مشکل فراگیر «پیشبینی سهام») اعمال RNN در پردازش زبان طبیعی (NLP) و طبقهبندی متن (هرزنامه) تشخیص) اعمال RNN در طبقه بندی تصویر درک واحد تکراری ساده (واحد المان)، GRU و LSTM (واحد حافظه کوتاه مدت بلند مدت) نوشتن شبکه های تکراری مختلف در تنسورفلو 2 درک چگونگی کاهش مشکل گرادیان ناپدید شدن پیش نیازها:ریاضی پایه ( گرفتن مشتقات، حساب ماتریس، احتمال) مفید است Python، Numpy، Matplotlib
*** اکنون در TENSORFLOW 2 و PYTHON 3 ***
درباره یکی از قدرتمندترین معماری های یادگیری عمیق تا کنون بیاموزید!
شبکه عصبی بازگشتی (RNN) برای به دست آوردن نتایج پیشرفته در مدلسازی توالی استفاده شده است.
این شامل تجزیه و تحلیل سریهای زمانی، پیشبینی و پردازش زبان طبیعی (NLP) میشود.
درباره اینکه چرا RNN ها الگوریتم های یادگیری ماشینی قدیمی مانند مدل های پنهان مارکوف را شکست می دهند، بیاموزید.
این دوره به شما آموزش می دهد:
مبانی یادگیری ماشین و نورونها (فقط مروری برای گرم کردن شما!)
شبکه های عصبی برای طبقه بندی و رگرسیون (فقط مروری برای گرم کردن شما!)
نحوه مدلسازی دادههای توالی
نحوه مدلسازی دادههای سری زمانی
نحوه مدلسازی دادههای متنی برای NLP (از جمله مراحل پیشپردازش متن)
نحوه ساخت RNN با استفاده از Tensorflow 2
نحوه استفاده از GRU و LSTM در Tensorflow 2
نحوه انجام پیشبینی سریهای زمانی با Tensorflow 2
نحوه پیشبینی قیمت سهام و بازده سهام با استفاده از LSTM در Tensorflow 2 (نکته: این چیزی نیست که شما فکر میکنید!)
نحوه استفاده از Embeddings در Tensorflow 2 برای NLP
نحوه ایجاد یک RNN طبقهبندی متن برای NLP (مثلاً: تشخیص هرزنامه، تجزیه و تحلیل احساسات، برچسبگذاری بخشهای گفتار، شناسایی موجودیت نامگذاری شده)
تمام مطالب مورد نیاز برای این دوره را می توان به صورت رایگان دانلود و نصب کرد. ما بیشتر کارهایمان را در Numpy، Matplotlib و Tensorflow انجام خواهیم داد. من همیشه در دسترس هستم تا به سؤالات شما پاسخ دهم و در سفر علم داده به شما کمک کنم.
این دوره بر "چگونگی ساخت و درک" تمرکز دارد، نه فقط "نحوه استفاده". هر کسی می تواند پس از خواندن برخی از اسناد، استفاده از API را در 15 دقیقه یاد بگیرد. این در مورد "به خاطر سپردن حقایق" نیست، بلکه در مورد "خود دیدن" از طریق آزمایش است. این به شما یاد می دهد که چگونه آنچه را که در مدل اتفاق می افتد در داخل تجسم کنید. اگر بیش از یک نگاه سطحی به مدل های یادگیری ماشین می خواهید، این دوره برای شما مناسب است.
شما را در کلاس می بینیم!
"اگر نمی توانید آن را پیاده سازی کنید، آن را درک نمی کنید"
یا همانطور که فیزیکدان بزرگ ریچارد فاینمن گفت: "آنچه را که نمی توانم خلق کنم، نمی فهمم".
دورههای من تنها دورههایی هستند که در آنها نحوه پیادهسازی الگوریتمهای یادگیری ماشین را از ابتدا یاد خواهید گرفت
دورههای دیگر به شما یاد میدهند که چگونه دادههای خود را به کتابخانه وصل کنید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟
پس از انجام همان کار با 10 مجموعه داده، متوجه می شوید که 10 چیز را یاد نگرفته اید. شما یک چیز یاد گرفتید و فقط همان 3 خط کد را 10 بار تکرار کردید...
کدگذاری Numpy: عملیات ماتریس و برداری، بارگیری یک فایل CSV
به چه ترتیبی باید در دوره های شما شرکت کنم؟:
سخنرانی "نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی" (در پرسشهای متداول هر یک از دورههای من، از جمله دوره رایگان Numpy موجود است) را بررسی کنید.
ویژگی های منحصر به فرد
هر خط کد با جزئیات توضیح داده شده است - در صورت مخالفت هر زمان که خواستید به من ایمیل بزنید
همانند سایر دورهها، زمان را تلف نمیکنید - بیایید صادق باشیم، هیچکس واقعاً نمیتواند کدی بنویسد که ارزش یادگیری آن را تنها در 20 دقیقه از ابتدا داشته باشد
از ریاضیات در سطح دانشگاه نمی ترسید - جزئیات مهمی را در مورد الگوریتم هایی که سایر دوره ها کنار گذاشته اند دریافت کنید
سرفصل ها و درس ها
خوش آمدی
Welcome
مقدمه و طرح کلی
Introduction and Outline
دستان خود را کثیف کنید، تجربه کدنویسی عملی، پیوندهای داده
Get Your Hands Dirty, Practical Coding Experience, Data Links
نحوه استفاده از Github و نکات کدنویسی اضافی (اختیاری)
How to use Github & Extra Coding Tips (Optional)
از کجا می توان کد، نوت بوک و داده را دریافت کرد
Where to get the code, notebooks, and data
چگونه در این دوره موفق شویم
How to Succeed in this Course
خوش آمدی
Welcome
مقدمه و طرح کلی
Introduction and Outline
دستان خود را کثیف کنید، تجربه کدنویسی عملی، پیوندهای داده
Get Your Hands Dirty, Practical Coding Experience, Data Links
نحوه استفاده از Github و نکات کدنویسی اضافی (اختیاری)
How to use Github & Extra Coding Tips (Optional)
از کجا می توان کد، نوت بوک و داده را دریافت کرد
Where to get the code, notebooks, and data
چگونه در این دوره موفق شویم
How to Succeed in this Course
گوگل کولب
Google Colab
معرفی Google Colab، نحوه استفاده رایگان از GPU یا TPU
Intro to Google Colab, how to use a GPU or TPU for free
آپلود داده های خود در Google Colab
Uploading your own data to Google Colab
از کجا می توانم درباره Numpy، Scipy، Matplotlib، Pandas و Scikit-Learn بیاموزم؟
Where can I learn about Numpy, Scipy, Matplotlib, Pandas, and Scikit-Learn?
گوگل کولب
Google Colab
معرفی Google Colab، نحوه استفاده رایگان از GPU یا TPU
Intro to Google Colab, how to use a GPU or TPU for free
آپلود داده های خود در Google Colab
Uploading your own data to Google Colab
از کجا می توانم درباره Numpy، Scipy، Matplotlib، Pandas و Scikit-Learn بیاموزم؟
Where can I learn about Numpy, Scipy, Matplotlib, Pandas, and Scikit-Learn?
یادگیری ماشین و نورون ها
Machine Learning and Neurons
یک مدل چگونه "یاد می گیرد"؟
How does a model "learn"?
پیشگویی
Making Predictions
ذخیره و بارگذاری یک مدل
Saving and Loading a Model
صندوق پیشنهادات
Suggestion Box
شبکه های عصبی مصنوعی پیشخور
Feedforward Artificial Neural Networks
معرفی بخش شبکه های عصبی مصنوعی
Artificial Neural Networks Section Introduction
انتشار رو به جلو
Forward Propagation
تصویر هندسی
The Geometrical Picture
توابع فعال سازی
Activation Functions
طبقه بندی چند طبقه
Multiclass Classification
نحوه نمایش تصاویر
How to Represent Images
تهیه کد (ANN)
Code Preparation (ANN)
ANN برای طبقه بندی تصویر
ANN for Image Classification
ANN برای رگرسیون
ANN for Regression
شبکه های عصبی مصنوعی پیشخور
Feedforward Artificial Neural Networks
معرفی بخش شبکه های عصبی مصنوعی
Artificial Neural Networks Section Introduction
انتشار رو به جلو
Forward Propagation
تصویر هندسی
The Geometrical Picture
توابع فعال سازی
Activation Functions
طبقه بندی چند طبقه
Multiclass Classification
نحوه نمایش تصاویر
How to Represent Images
تهیه کد (ANN)
Code Preparation (ANN)
ANN برای طبقه بندی تصویر
ANN for Image Classification
ANN برای رگرسیون
ANN for Regression
شبکه های عصبی مکرر، سری های زمانی و داده های توالی
Recurrent Neural Networks, Time Series, and Sequence Data
داده های توالی
Sequence Data
پیش بینی
Forecasting
مدل خطی خودرگرسیون برای پیشبینی سریهای زمانی
Autoregressive Linear Model for Time Series Prediction
اثبات اینکه مدل خطی کار می کند
Proof that the Linear Model Works
شبکه های عصبی مکرر
Recurrent Neural Networks
آماده سازی کد RNN
RNN Code Preparation
RNN برای پیشبینی سری زمانی
RNN for Time Series Prediction
توجه به اشکال
Paying Attention to Shapes
GRU و LSTM (نقطه 1)
GRU and LSTM (pt 1)
GRU و LSTM (نقطه 2)
GRU and LSTM (pt 2)
دنباله ای چالش برانگیزتر
A More Challenging Sequence
نمایش مشکل مسافت طولانی
Demo of the Long Distance Problem
RNN برای طبقه بندی تصویر (تئوری)
RNN for Image Classification (Theory)
RNN برای طبقه بندی تصویر (کد)
RNN for Image Classification (Code)
پیش بینی بازده سهام با استفاده از LSTMs (pt 1)
Stock Return Predictions using LSTMs (pt 1)
پیش بینی بازده سهام با استفاده از LSTMs (pt 2)
Stock Return Predictions using LSTMs (pt 2)
پیش بینی بازده سهام با استفاده از LSTMs (pt 3)
Stock Return Predictions using LSTMs (pt 3)
راه های دیگر برای پیش بینی
Other Ways to Forecast
شبکه های عصبی مکرر، سری های زمانی و داده های توالی
Recurrent Neural Networks, Time Series, and Sequence Data
داده های توالی
Sequence Data
پیش بینی
Forecasting
مدل خطی خودرگرسیون برای پیشبینی سریهای زمانی
Autoregressive Linear Model for Time Series Prediction
اثبات اینکه مدل خطی کار می کند
Proof that the Linear Model Works
شبکه های عصبی مکرر
Recurrent Neural Networks
آماده سازی کد RNN
RNN Code Preparation
RNN برای پیشبینی سری زمانی
RNN for Time Series Prediction
توجه به اشکال
Paying Attention to Shapes
GRU و LSTM (نقطه 1)
GRU and LSTM (pt 1)
GRU و LSTM (نقطه 2)
GRU and LSTM (pt 2)
دنباله ای چالش برانگیزتر
A More Challenging Sequence
نمایش مشکل مسافت طولانی
Demo of the Long Distance Problem
RNN برای طبقه بندی تصویر (تئوری)
RNN for Image Classification (Theory)
RNN برای طبقه بندی تصویر (کد)
RNN for Image Classification (Code)
پیش بینی بازده سهام با استفاده از LSTMs (pt 1)
Stock Return Predictions using LSTMs (pt 1)
پیش بینی بازده سهام با استفاده از LSTMs (pt 2)
Stock Return Predictions using LSTMs (pt 2)
پیش بینی بازده سهام با استفاده از LSTMs (pt 3)
Stock Return Predictions using LSTMs (pt 3)
راه های دیگر برای پیش بینی
Other Ways to Forecast
پردازش زبان طبیعی (NLP)
Natural Language Processing (NLP)
جاسازی ها
Embeddings
تهیه کد (NLP)
Code Preparation (NLP)
پیش پردازش متن
Text Preprocessing
طبقه بندی متن با LSTMs
Text Classification with LSTMs
پردازش زبان طبیعی (NLP)
Natural Language Processing (NLP)
جاسازی ها
Embeddings
تهیه کد (NLP)
Code Preparation (NLP)
پیش پردازش متن
Text Preprocessing
طبقه بندی متن با LSTMs
Text Classification with LSTMs
در عمق: توابع از دست دادن
In-Depth: Loss Functions
خطای میانگین مربعات
Mean Squared Error
آنتروپی متقاطع باینری
Binary Cross Entropy
آنتروپی متقاطع طبقه ای
Categorical Cross Entropy
در عمق: توابع از دست دادن
In-Depth: Loss Functions
خطای میانگین مربعات
Mean Squared Error
آنتروپی متقاطع باینری
Binary Cross Entropy
آنتروپی متقاطع طبقه ای
Categorical Cross Entropy
در عمق: گرادیان نزول
In-Depth: Gradient Descent
گرادیان نزول
Gradient Descent
نزول گرادیان تصادفی
Stochastic Gradient Descent
تکانه
Momentum
نرخ های یادگیری متغیر و تطبیقی
Variable and Adaptive Learning Rates
آدم (نقطه 1)
Adam (pt 1)
آدم (نقطه 2)
Adam (pt 2)
در عمق: گرادیان نزول
In-Depth: Gradient Descent
گرادیان نزول
Gradient Descent
نزول گرادیان تصادفی
Stochastic Gradient Descent
تکانه
Momentum
نرخ های یادگیری متغیر و تطبیقی
Variable and Adaptive Learning Rates
آدم (نقطه 1)
Adam (pt 1)
آدم (نقطه 2)
Adam (pt 2)
موارد اضافی
Extras
پیوندهای داده
Data Links
موارد اضافی
Extras
پیوندهای داده
Data Links
تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو)
Setting Up Your Environment (FAQ by Student Request)
راه اندازی محیط آناکوندا
Anaconda Environment Setup
نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano و TensorFlow
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو)
Setting Up Your Environment (FAQ by Student Request)
راه اندازی محیط آناکوندا
Anaconda Environment Setup
نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano و TensorFlow
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو)
Extra Help With Python Coding for Beginners (FAQ by Student Request)
نکات کدنویسی مبتدیان
Beginner's Coding Tips
نحوه کدنویسی توسط خودتان (قسمت 1)
How to Code by Yourself (part 1)
چگونه به تنهایی کدنویسی کنیم (قسمت 2)
How to Code by Yourself (part 2)
اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است
Proof that using Jupyter Notebook is the same as not using it
پایتون 2 در مقابل پایتون 3
Python 2 vs Python 3
کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو)
Extra Help With Python Coding for Beginners (FAQ by Student Request)
نکات کدنویسی مبتدیان
Beginner's Coding Tips
نحوه کدنویسی توسط خودتان (قسمت 1)
How to Code by Yourself (part 1)
چگونه به تنهایی کدنویسی کنیم (قسمت 2)
How to Code by Yourself (part 2)
اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است
Proof that using Jupyter Notebook is the same as not using it
پایتون 2 در مقابل پایتون 3
Python 2 vs Python 3
استراتژیهای یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو)
Effective Learning Strategies for Machine Learning (FAQ by Student Request)
چگونه در این دوره موفق شویم (نسخه طولانی)
How to Succeed in this Course (Long Version)
این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1)
Machine Learning and AI Prerequisite Roadmap (pt 1)
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2)
Machine Learning and AI Prerequisite Roadmap (pt 2)
استراتژیهای یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو)
Effective Learning Strategies for Machine Learning (FAQ by Student Request)
چگونه در این دوره موفق شویم (نسخه طولانی)
How to Succeed in this Course (Long Version)
این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1)
Machine Learning and AI Prerequisite Roadmap (pt 1)
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2)
Machine Learning and AI Prerequisite Roadmap (pt 2)
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.
امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام.
من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم.
این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند.
من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام.
کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.
نمایش نظرات