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

یادگیری عمیق با TensorFlow 2.0 در 7 مرحله [ویدئو]
جزییات دوره
2 h 44 m
36
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Robert Thas John Robert Thas John

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.