لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق با TensorFlow 2.0 در 7 مرحله [ویدئو]
Deep Learning with TensorFlow 2.0 in 7 Steps [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
طبقهبندی تصویر و مدلسازی زبان دو حوزه محاسباتی هستند که مقابله با آنها بدون پیادهسازی شبکههای عصبی عمیق برای رایانهها دشوار است. چگونه تفاوت یا شباهت بین دو میوه یا دو کلمه را تشخیص می دهید؟ این برای برنامه های مختلف، از سایت های تجارت الکترونیک گرفته تا نرم افزارهای آموزشی مورد نیاز است. در حالی که این وظایف بی اهمیت هستند، TensorFlow مقدمه ای ملایم برای حل آنها ارائه می دهد.
در این دوره آموزشی، یاد خواهید گرفت که چگونه با استفاده از یک رویکرد جاه طلبانه که برای یادگیری و اجرای مدل های یادگیری عمیق مناسب است، با TensorFlow 2.0 به روشی منحصر به فرد و فریبنده شروع کنید. شما یاد خواهید گرفت که چگونه شروع به ساخت و آموزش مدل های خود برای طبقه بندی تصاویر و همچنین تمایز بین متن های مختلف کنید. با استفاده از TensorFlow در سطح بالا، پیاده سازی شبکه های عصبی کانولوشن (CNN) و همچنین شبکه های توالی مانند حافظه کوتاه مدت بلند مدت (LSTM) و شبکه های عصبی تکراری (RNN) را خواهید آموخت.
در پایان این دوره، شما در مورد ساخت و پیاده سازی مدل های یادگیری عمیق به طور موثر و آسان با TensorFlow 2.0، جمع آوری داده های تصویر، تقسیم آن به مجموعه های آموزشی، اعتبار سنجی و تست، و آموزش مدلی برای طبقه بندی تصاویر اطمینان خواهید داشت.
تمام کدها و فایل های پشتیبانی این دوره در GitHub در https://github.com/PacktPublishing/Deep-Learning-with-TensorFlow-2.0-in-7-Steps موجود است. یک محیط کوندا برای مدل های آموزشی راه اندازی کنید.
اصول یادگیری ماشینی و یادگیری عمیق را بیاموزید تا به شما کمک کند تا از طریق اصطلاحات لغت بگذرید
با API های سطح بالا TensorFlow 2.0 آشنا شوید تا بتوانید به سرعت مدل های خود را آموزش دهید
برای ساخت برنامه های دنیای واقعی، داده ها را به مدل های خود وارد کنید
API برای برنامه های نرم افزاری بسازید تا از مدل خود در تولید استفاده کنید
از شبکه های عصبی کانولوشن (CNN) برای طبقه بندی تصاویر استفاده کنید این دوره برای توسعه دهندگان، برنامه نویسان و دانشمندان داده است که با مفاهیم یادگیری ماشین آشنا هستند و می خواهند با استفاده از TensorFlow 2.0 به روشی سریع و قانع کننده وارد یادگیری عمیق شوند. دانش برنامه نویسی قبلی پایتون برای استفاده از محتوای این دوره ضروری است. طراحی و آموزش یک شبکه عصبی چند لایه با TensorFlow. * پیاده سازی شبکه های عصبی عمیق، شبکه های عصبی کانولوشن، و شبکه های عصبی مکرر * استفاده از یادگیری عمیق برای مشکلات شناخته شده ML: رگرسیون، طبقه بندی، خوشه بندی، و رمزگذاری خودکار
سرفصل ها و درس ها
شروع شدن
Getting Started
بررسی اجمالی دوره
The Course Overview
تنظیم TensorFlow
Setting Up TensorFlow
شروع کار با TensorFlow 2.0
Getting Started with TensorFlow 2.0
دریافت داده ها به TensorFlow
Getting Data into TensorFlow
درک تانسورها و ابعاد
Understanding Tensors and Dimensionality
اولین مدل خود را بسازید
Building Your First Model
چرا یادگیری عمیق؟
Why Deep Learning?
حد طبقه بندی با رگرسیون لجستیک
Limit of Classification with Logistic Regression
رفتن به اعماق با لایه ها و نورون ها
Going Deep with Layers and Neurons
بازبینی توابع فعالسازی
Revisiting Activation Functions
بررسی بهینه سازها
Reviewing Optimizers
بررسی توابع هزینه
Reviewing Cost Functions
طبقه بندی تصویر
Image Classification
بازنمایی تصویر
Image Representation
پیچیدگی
Convolution
ادغام
Pooling
لایه های متراکم
Dense Layers
آوردن آن همه با هم
Bringing it All Together
مدل های دنباله ای
Sequence Models
مشکل طبقه بندی متن
The Problem of Text Classification
کدگذاری ها و جاسازی ها
Encodings and Embeddings
طبقه بندی جملات با RNN
Classifying Sentences with an RNNs
طبقه بندی جملات با 1D-CNN
Classifying Sentences with a 1D-CNN
انواع دیگر کانولوشن
Other Types of Convolutions
مدل های توالی با داده های دما
Sequence Models with Temperature Data
معرفی سری زمانی
Introducing Time Series
درک فصلی بودن
Understanding Seasonality
نمونه برداری مجدد از داده های سری زمانی
Resampling Time-Series Data
پیش بینی دما با RNN
Predicting Temperature with RNNs
پیش بینی دما با LSTMs
Predicting Temperature with LSTMs
آموزش انتقالی
Transfer Learning
معرفی چالش تشخیص تصویری در مقیاس بزرگ ImageNet
Introducing the ImageNet Large Scale Visual Recognition Challenge
معرفی VGG-16
Introducing VGG-16
بحث در مورد مدل های هنر
Discussing State of the Art Models
معرفی مدل هایی برای دستگاه های محدود
Introducing Models for Constrained Devices
اجرای مجدد مدل از پیش آموزش دیده
Re-implementing Pre-trained Model
فراتر از شبکه های عصبی پایه
Beyond Basic Neural Networks
رمزگذارهای خودکار
Autoencoders
مدل های مولد
Generative Models
صادرات مدل ها به دستگاه های موبایل
Exporting Models to Mobile Devices
صادرات مدل ها به وب
Exporting Models to the Web
توصیه نهایی
Final Advice
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
رابرت تاس جان یک متخصص توسعه دهنده گوگل در یادگیری ماشین است. کار روزانه او شامل کار به عنوان مهندس داده در پلتفرم Google Cloud با ساخت، آموزش و استقرار مدلهای یادگیری ماشینی در مقیاس بزرگ است. او همچنین در مورد نحوه ذخیره و پردازش حجم زیادی از داده ها تصمیم می گیرد. او بیش از 10 سال تجربه در ساخت راه حل های درجه یک سازمانی و کار با داده ها دارد. او اوقات فراغت خود را صرف یادگیری یا مشارکت در جامعه توسعه دهندگان می کند. او اغلب سفر می کند تا در رویدادهای فناوری صحبت کند یا برای توسعه دهندگان راهنمایی کند. او همچنین یک وبلاگ در مورد علم داده می نویسد.
نمایش نظرات