آموزش یادگیری ماشین با جاوا اسکریپت

Machine Learning with Javascript

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: یادگیری ماشین از ابتدا با استفاده از جاوا اسکریپت و TensorflowJS با پروژه های عملی. الگوریتم های یادگیری ماشین را از ابتدا جمع آوری کنید! ساخت برنامه های کاربردی جالب با استفاده از تکنیک های جاوا اسکریپت و ML درک نحوه عملکرد ML بدون تکیه بر کتابخانه های مرموز الگوریتم های خود را با عملکرد پیشرفته و پروفایل استفاده از حافظه بهینه سازی کنید از ویژگی های سطح پایین Tensorflow JS برای افزایش الگوریتم های خود استفاده کنید. :درک پایه استفاده از ترمینال و خط فرمان توانایی خواندن معادلات پایه ریاضی

اگر اینجا هستید، از قبل حقیقت را می دانید: یادگیری ماشینی آینده همه چیز است.

در سال‌های آینده، هیچ صنعتی در جهان وجود نخواهد داشت که توسط یادگیری ماشینی دست نخورده باشد. یک نیروی دگرگون کننده، می توانید انتخاب کنید که اکنون آن را درک کنید، یا در موجی از تغییرات باورنکردنی شکست بخورید. احتمالاً قبلاً هر روز بارها از برنامه‌هایی استفاده می‌کنید که بر تکنیک‌های یادگیری ماشین تکیه دارند. پس چرا دیگر در تاریکی بمانید؟

دوره های بسیاری در مورد یادگیری ماشین در حال حاضر موجود است. من این دوره را ساختم تا بهترین مقدمه برای موضوع باشد. هیچ موضوعی دست نخورده باقی نمی ماند و ما هرگز هیچ منطقه ای را در تاریکی رها نمی کنیم. اگر این دوره را بگذرانید، برای ورود و درک هر رشته فرعی در دنیای یادگیری ماشین آماده خواهید شد.


یک سوال رایج - چرا جاوا اسکریپت؟ فکر می‌کردم ML به پایتون و R مربوط می‌شود؟

پاسخ ساده است - یادگیری ML با جاوا اسکریپت ساده تر از Python است. اگرچه پایتون بسیار محبوب است، اما پایتون یک زبان «بیانگر» است که یک کلمه رمزی به معنای «زبان گیج کننده» است. یک خط منفرد از پایتون می تواند دارای مقدار زیادی از عملکرد باشد. وقتی زبان و موضوع را می‌فهمید عالی است، اما زمانی که می‌خواهید یک موضوع کاملاً جدید را یاد بگیرید، خیلی خوب نیست.

علاوه بر اینکه جاوا اسکریپت درک ML را آسان‌تر می‌کند، همچنین افق‌های جدیدی را برای برنامه‌هایی که می‌توانید بسازید باز می‌کند. به جای محدود شدن به استقرار کد پایتون در سرور برای اجرای کد ML خود، می‌توانید برنامه‌های تک صفحه‌ای یا حتی افزونه‌های مرورگر ایجاد کنید که الگوریتم‌های جالبی را اجرا می‌کنند، که می‌تواند به شما امکان توسعه یک مورد استفاده کاملاً جدید را بدهد.


آیا این دوره بر روی الگوریتم تمرکز دارد یا ریاضی یا تنسورفلو یا چی؟!؟!

بیایید صادق باشیم - اکثریت قریب به اتفاق دوره های آموزشی آنلاین موجود در مورد موضوعات گیج کننده می رقصند. آنها شما را تشویق می کنند که از الگوریتم ها و توابع پیش ساخته استفاده کنید که تمام کارهای سنگین را برای شما انجام می دهد. اگرچه این می تواند شما را به موفقیت های سریع برساند، اما در نهایت توانایی شما در درک ML را مختل می کند. تنها در صورتی می‌توانید نحوه اعمال تکنیک‌های ML را درک کنید که الگوریتم‌های زیربنایی را بدانید.

هدف این دوره این است - می‌خواهم تکنیک‌های ریاضی و برنامه‌نویسی دقیقی را که در رایج‌ترین الگوریتم‌های ML استفاده می‌شوند، درک کنید. هنگامی که این دانش را داشته باشید، می‌توانید به راحتی الگوریتم‌های جدید را انتخاب کنید و پروژه‌ها و برنامه‌های کاربردی بسیار جالب‌تری نسبت به مهندسین دیگر بسازید که فقط می‌دانند چگونه داده‌ها را به یک کتابخانه جادویی تحویل دهند.

آیا پیشینه ریاضی ندارید؟ اشکالی ندارد! من مراقبت ویژه‌ای می‌کنم تا مطمئن شوم که هیچ سخنرانی بیش از حد به موضوعات «ریاضی» بدون ارائه مقدمه مناسب برای آنچه در حال وقوع است، نمی‌رود.


فهرست کوتاهی از آنچه خواهید آموخت:

  • پروفایل حافظه پیشرفته برای بهبود عملکرد الگوریتم های شما

  • برنامه‌هایی بسازید که توسط کتابخانه قدرتمند Tensorflow JS

    پشتیبانی می‌شوند
  • برنامه هایی را توسعه دهید که در مرورگر یا Node JS

    کار می کنند
  • نوشتن کد ML پاک و قابل فهم، بدون متغیرهای تک نامی یا توابع گیج کننده

  • اصول جبر خطی را انتخاب کنید تا بتوانید سرعت کد خود را با عملیات مبتنی بر ماتریس به طرز چشمگیری افزایش دهید. (نگران نباشید، من ریاضی را آسان می کنم!)

  • چگونگی پیچاندن الگوریتم‌های رایج را برای تناسب با موارد استفاده منحصر به فرد خود بیاموزید

  • نتایج تجزیه و تحلیل خود را با استفاده از یک کتابخانه گرافیکی سفارشی ترسیم کنید

  • استراتژی‌های افزایش عملکرد را بیاموزید که می‌تواند برای هر نوع کد جاوا اسکریپت اعمال شود

  • تکنیک های بارگیری داده، هم در محیط مرورگر و هم در محیط Node JS


سرفصل ها و درس ها

یادگیری ماشینی چیست؟ What is Machine Learning?

  • شروع به کار - نحوه دریافت کمک Getting Started - How to Get Help

  • منابع دوره Course Resources

  • منابع دوره Course Resources

  • به انجمن ما بپیوندید! Join Our Community!

  • حل مسائل یادگیری ماشین Solving Machine Learning Problems

  • یک بررسی کامل A Complete Walkthrough

  • یک بررسی کامل A Complete Walkthrough

  • راه اندازی برنامه App Setup

  • طرح کلی مشکل Problem Outline

  • طرح کلی مشکل Problem Outline

  • شناسایی داده های مرتبط Identifying Relevant Data

  • ساختارهای مجموعه داده Dataset Structures

  • ساختارهای مجموعه داده Dataset Structures

  • ثبت داده های مشاهده Recording Observation Data

  • چه نوع مشکلی؟ What Type of Problem?

یادگیری ماشینی چیست؟ What is Machine Learning?

  • شروع به کار - نحوه دریافت کمک Getting Started - How to Get Help

  • به انجمن ما بپیوندید! Join Our Community!

  • حل مسائل یادگیری ماشین Solving Machine Learning Problems

  • راه اندازی برنامه App Setup

  • شناسایی داده های مرتبط Identifying Relevant Data

  • ثبت داده های مشاهده Recording Observation Data

  • چه نوع مشکلی؟ What Type of Problem?

بررسی اجمالی الگوریتم Algorithm Overview

  • K-Nearest Neighbor چگونه کار می کند How K-Nearest Neighbor Works

  • K-Nearest Neighbor چگونه کار می کند How K-Nearest Neighbor Works

  • بررسی لوداش Lodash Review

  • پیاده سازی KNN Implementing KNN

  • اتمام پیاده سازی KNN Finishing KNN Implementation

  • تست الگوریتم Testing the Algorithm

  • تست الگوریتم Testing the Algorithm

  • تفسیر نتایج بد Interpreting Bad Results

  • داده های آزمون و آموزش Test and Training Data

  • داده های آزمون و آموزش Test and Training Data

  • تصادفی سازی داده های آزمون Randomizing Test Data

  • تصادفی سازی داده های آزمون Randomizing Test Data

  • تعمیم KNN Generalizing KNN

  • تعمیم KNN Generalizing KNN

  • دقت اندازه گیری Gauging Accuracy

  • دقت اندازه گیری Gauging Accuracy

  • چاپ گزارش Printing a Report

  • Refactoring دقت گزارش Refactoring Accuracy Reporting

  • Refactoring دقت گزارش Refactoring Accuracy Reporting

  • بررسی مقادیر K بهینه Investigating Optimal K Values

  • به روز رسانی KNN برای چندین ویژگی Updating KNN for Multiple Features

  • KNN چند بعدی Multi-Dimensional KNN

  • KNN چند بعدی Multi-Dimensional KNN

  • فاصله N بعد N-Dimension Distance

  • فضاهای ویژگی دلخواه Arbitrary Feature Spaces

  • جابجایی بزرگی در ویژگی ها Magnitude Offsets in Features

  • عادی سازی ویژگی Feature Normalization

  • عادی سازی ویژگی Feature Normalization

  • عادی سازی با MinMax Normalization with MinMax

  • عادی سازی با MinMax Normalization with MinMax

  • اعمال عادی سازی Applying Normalization

  • انتخاب ویژگی با KNN Feature Selection with KNN

  • انتخاب ویژگی با KNN Feature Selection with KNN

  • انتخاب ویژگی هدف Objective Feature Picking

  • ارزیابی ارزش های مختلف ویژگی Evaluating Different Feature Values

  • ارزیابی ارزش های مختلف ویژگی Evaluating Different Feature Values

بررسی اجمالی الگوریتم Algorithm Overview

  • بررسی لوداش Lodash Review

  • پیاده سازی KNN Implementing KNN

  • اتمام پیاده سازی KNN Finishing KNN Implementation

  • تفسیر نتایج بد Interpreting Bad Results

  • چاپ گزارش Printing a Report

  • بررسی مقادیر K بهینه Investigating Optimal K Values

  • به روز رسانی KNN برای چندین ویژگی Updating KNN for Multiple Features

  • فاصله N بعد N-Dimension Distance

  • فضاهای ویژگی دلخواه Arbitrary Feature Spaces

  • جابجایی بزرگی در ویژگی ها Magnitude Offsets in Features

  • اعمال عادی سازی Applying Normalization

  • انتخاب ویژگی هدف Objective Feature Picking

به سمت Tensorflow JS! Onwards to Tensorflow JS!

  • بیایید تحمل خود را دریافت کنیم Let's Get Our Bearings

  • بیایید تحمل خود را دریافت کنیم Let's Get Our Bearings

  • برنامه ای برای حرکت رو به جلو A Plan to Move Forward

  • برنامه ای برای حرکت رو به جلو A Plan to Move Forward

  • شکل و ابعاد تانسور Tensor Shape and Dimension

  • شکل و ابعاد تانسور Tensor Shape and Dimension

  • ابعاد و اشکال تانسور Tensor Dimension and Shapes

  • عملیات عنصری Elementwise Operations

  • عملیات عنصری Elementwise Operations

  • عملیات پخش Broadcasting Operations

  • عملیات پخش Broadcasting Operations

  • پخش عملیات Elementwise Broadcasting Elementwise Operations

  • ثبت داده های تانسور Logging Tensor Data

  • ثبت داده های تانسور Logging Tensor Data

  • لوازم جانبی تانسور Tensor Accessors

  • لوازم جانبی تانسور Tensor Accessors

  • ایجاد برش های داده Creating Slices of Data

  • الحاق تانسور Tensor Concatenation

  • جمع کردن مقادیر در امتداد یک محور Summing Values Along an Axis

  • جمع کردن مقادیر در امتداد یک محور Summing Values Along an Axis

  • ماساژ ابعاد با ExpandDims Massaging Dimensions with ExpandDims

  • ماساژ ابعاد با ExpandDims Massaging Dimensions with ExpandDims

به سمت Tensorflow JS! Onwards to Tensorflow JS!

  • ابعاد و اشکال تانسور Tensor Dimension and Shapes

  • پخش عملیات Elementwise Broadcasting Elementwise Operations

  • ایجاد برش های داده Creating Slices of Data

  • الحاق تانسور Tensor Concatenation

کاربردهای تنسورفلو Applications of Tensorflow

  • KNN با رگرسیون KNN with Regression

  • تغییر در ساختار داده ها A Change in Data Structure

  • KNN با تنسورفلو KNN with Tensorflow

  • حفظ روابط نظم Maintaining Order Relationships

  • حفظ روابط نظم Maintaining Order Relationships

  • مرتب سازی تانسورها Sorting Tensors

  • مرتب سازی تانسورها Sorting Tensors

  • میانگین ارزش های برتر Averaging Top Values

  • میانگین ارزش های برتر Averaging Top Values

  • حرکت به سمت ویرایشگر Moving to the Editor

  • حرکت به سمت ویرایشگر Moving to the Editor

  • در حال بارگیری داده های CSV Loading CSV Data

  • اجرای یک تحلیل Running an Analysis

  • گزارش درصد خطا Reporting Error Percentages

  • گزارش درصد خطا Reporting Error Percentages

  • عادی سازی یا استانداردسازی؟ Normalization or Standardization?

  • عادی سازی یا استانداردسازی؟ Normalization or Standardization?

  • استانداردسازی عددی با تنسورفلو Numerical Standardization with Tensorflow

  • استانداردسازی عددی با تنسورفلو Numerical Standardization with Tensorflow

  • بکارگیری استانداردسازی Applying Standardization

  • بکارگیری استانداردسازی Applying Standardization

  • اشکال زدایی محاسبات Debugging Calculations

  • اشکال زدایی محاسبات Debugging Calculations

  • حالا چی؟ What Now?

  • حالا چی؟ What Now?

کاربردهای تنسورفلو Applications of Tensorflow

  • KNN با رگرسیون KNN with Regression

  • تغییر در ساختار داده ها A Change in Data Structure

  • KNN با تنسورفلو KNN with Tensorflow

  • در حال بارگیری داده های CSV Loading CSV Data

  • اجرای یک تحلیل Running an Analysis

شروع با Gradient Descent Getting Started with Gradient Descent

  • رگرسیون خطی Linear Regression

  • رگرسیون خطی Linear Regression

  • چرا رگرسیون خطی؟ Why Linear Regression?

  • چرا رگرسیون خطی؟ Why Linear Regression?

  • درک گرادیان نزول Understanding Gradient Descent

  • حدس زدن ضرایب با MSE Guessing Coefficients with MSE

  • مشاهدات پیرامون MSE Observations Around MSE

  • مشاهدات پیرامون MSE Observations Around MSE

  • مشتقات! Derivatives!

  • مشتقات! Derivatives!

  • گرادیان نزول در عمل Gradient Descent in Action

  • تنفس سریع و بررسی Quick Breather and Review

  • تنفس سریع و بررسی Quick Breather and Review

  • چرا نرخ یادگیری؟ Why a Learning Rate?

  • چرا نرخ یادگیری؟ Why a Learning Rate?

  • پاسخ به سوالات متداول Answering Common Questions

  • گرادیان نزول با اصطلاحات متعدد Gradient Descent with Multiple Terms

  • شرایط چندگانه در عمل Multiple Terms in Action

شروع با Gradient Descent Getting Started with Gradient Descent

  • درک گرادیان نزول Understanding Gradient Descent

  • حدس زدن ضرایب با MSE Guessing Coefficients with MSE

  • گرادیان نزول در عمل Gradient Descent in Action

  • پاسخ به سوالات متداول Answering Common Questions

  • گرادیان نزول با اصطلاحات متعدد Gradient Descent with Multiple Terms

  • شرایط چندگانه در عمل Multiple Terms in Action

گرادیان نزول با تنسورفلو Gradient Descent with Tensorflow

  • بررسی اجمالی پروژه Project Overview

  • بارگذاری داده ها Data Loading

  • گزینه های الگوریتم پیش فرض Default Algorithm Options

  • گزینه های الگوریتم پیش فرض Default Algorithm Options

  • فرموله کردن حلقه آموزشی Formulating the Training Loop

  • اجرای اولیه گرادیان نزولی Initial Gradient Descent Implementation

  • محاسبه شیب های MSE Calculating MSE Slopes

  • به روز رسانی ضرایب Updating Coefficients

  • به روز رسانی ضرایب Updating Coefficients

  • تفسیر نتایج Interpreting Results

  • ضرب ماتریس Matrix Multiplication

  • بیشتر در مورد ضرب ماتریس More on Matrix Multiplication

  • بیشتر در مورد ضرب ماتریس More on Matrix Multiplication

  • فرم ماتریسی معادلات شیب Matrix Form of Slope Equations

  • ساده سازی با ضرب ماتریس Simplification with Matrix Multiplication

  • چگونه همه با هم کار می کنند! How it All Works Together!

  • چگونه همه با هم کار می کنند! How it All Works Together!

گرادیان نزول با تنسورفلو Gradient Descent with Tensorflow

  • بررسی اجمالی پروژه Project Overview

  • بارگذاری داده ها Data Loading

  • فرموله کردن حلقه آموزشی Formulating the Training Loop

  • اجرای اولیه گرادیان نزولی Initial Gradient Descent Implementation

  • محاسبه شیب های MSE Calculating MSE Slopes

  • تفسیر نتایج Interpreting Results

  • ضرب ماتریس Matrix Multiplication

  • فرم ماتریسی معادلات شیب Matrix Form of Slope Equations

  • ساده سازی با ضرب ماتریس Simplification with Matrix Multiplication

افزایش عملکرد با راه حل های برداری Increasing Performance with Vectorized Solutions

  • Refactoring کلاس رگرسیون خطی Refactoring the Linear Regression Class

  • Refactoring به یک معادله Refactoring to One Equation

  • چند تغییر دیگر A Few More Changes

  • نتایج یکسان؟ یا نه؟ Same Results? Or Not?

  • نتایج یکسان؟ یا نه؟ Same Results? Or Not?

  • محاسبه دقت مدل Calculating Model Accuracy

  • محاسبه دقت مدل Calculating Model Accuracy

  • اجرای ضریب تعیین Implementing Coefficient of Determination

  • برخورد با دقت بد Dealing with Bad Accuracy

  • برخورد با دقت بد Dealing with Bad Accuracy

  • یادآوری استانداردسازی Reminder on Standardization

  • پردازش داده ها به روش کمکی Data Processing in a Helper Method

  • استفاده مجدد از استانداردسازی Reapplying Standardization

  • رفع مشکلات استانداردسازی Fixing Standardization Issues

  • رفع مشکلات استانداردسازی Fixing Standardization Issues

  • نرخ یادگیری ماساژ Massaging Learning Rates

  • حرکت به سمت رگرسیون چند متغیره Moving Towards Multivariate Regression

  • حرکت به سمت رگرسیون چند متغیره Moving Towards Multivariate Regression

  • Refactoring برای تجزیه و تحلیل چند متغیره Refactoring for Multivariate Analysis

  • بهینه سازی نرخ یادگیری Learning Rate Optimization

  • ثبت تاریخچه MSE Recording MSE History

  • ثبت تاریخچه MSE Recording MSE History

  • به روز رسانی میزان یادگیری Updating Learning Rate

  • به روز رسانی میزان یادگیری Updating Learning Rate

افزایش عملکرد با راه حل های برداری Increasing Performance with Vectorized Solutions

  • Refactoring کلاس رگرسیون خطی Refactoring the Linear Regression Class

  • Refactoring به یک معادله Refactoring to One Equation

  • چند تغییر دیگر A Few More Changes

  • اجرای ضریب تعیین Implementing Coefficient of Determination

  • یادآوری استانداردسازی Reminder on Standardization

  • پردازش داده ها به روش کمکی Data Processing in a Helper Method

  • استفاده مجدد از استانداردسازی Reapplying Standardization

  • نرخ یادگیری ماساژ Massaging Learning Rates

  • Refactoring برای تجزیه و تحلیل چند متغیره Refactoring for Multivariate Analysis

  • بهینه سازی نرخ یادگیری Learning Rate Optimization

رسم داده ها با جاوا اسکریپت Plotting Data with Javascript

  • مشاهده تغییر نرخ یادگیری و MSE Observing Changing Learning Rate and MSE

  • ترسیم مقادیر MSE Plotting MSE Values

  • ترسیم مقادیر MSE Plotting MSE Values

  • ترسیم تاریخچه MSE در برابر مقادیر B Plotting MSE History against B Values

  • ترسیم تاریخچه MSE در برابر مقادیر B Plotting MSE History against B Values

رسم داده ها با جاوا اسکریپت Plotting Data with Javascript

  • مشاهده تغییر نرخ یادگیری و MSE Observing Changing Learning Rate and MSE

تغییرات گرادیان نزولی Gradient Descent Alterations

  • نزول گرادیان دسته ای و تصادفی Batch and Stochastic Gradient Descent

  • نزول گرادیان دسته ای و تصادفی Batch and Stochastic Gradient Descent

  • Refactoring به سوی Batch Gradient Descent Refactoring Towards Batch Gradient Descent

  • Refactoring به سوی Batch Gradient Descent Refactoring Towards Batch Gradient Descent

  • تعیین اندازه و مقدار دسته Determining Batch Size and Quantity

  • تعیین اندازه و مقدار دسته Determining Batch Size and Quantity

  • تکرار بیش از دسته Iterating Over Batches

  • تکرار بیش از دسته Iterating Over Batches

  • ارزیابی نتایج نزول گرادیان دسته ای Evaluating Batch Gradient Descent Results

  • ارزیابی نتایج نزول گرادیان دسته ای Evaluating Batch Gradient Descent Results

  • پیش بینی با مدل Making Predictions with the Model

  • پیش بینی با مدل Making Predictions with the Model

تغییرات گرادیان نزولی Gradient Descent Alterations

طبقه بندی باینری طبیعی Natural Binary Classification

  • معرفی رگرسیون لجستیک Introducing Logistic Regression

  • رگرسیون لجستیک در عمل Logistic Regression in Action

  • رگرسیون لجستیک در عمل Logistic Regression in Action

  • معادله بد متناسب است Bad Equation Fits

  • معادله بد متناسب است Bad Equation Fits

  • معادله سیگموئید The Sigmoid Equation

  • مرزهای تصمیم گیری Decision Boundaries

  • تغییرات برای رگرسیون لجستیک Changes for Logistic Regression

  • راه اندازی پروژه برای رگرسیون لجستیک Project Setup for Logistic Regression

  • راه اندازی پروژه برای رگرسیون لجستیک Project Setup for Logistic Regression

  • دانلود پروژه Project Download

  • دانلود پروژه Project Download

  • وارد کردن اطلاعات خودرو Importing Vehicle Data

  • وارد کردن اطلاعات خودرو Importing Vehicle Data

  • رمزگذاری مقادیر برچسب Encoding Label Values

  • رمزگذاری مقادیر برچسب Encoding Label Values

  • به روز رسانی رگرسیون خطی برای رگرسیون لجستیک Updating Linear Regression for Logistic Regression

  • به روز رسانی رگرسیون خطی برای رگرسیون لجستیک Updating Linear Regression for Logistic Regression

  • معادله سیگموئید با رگرسیون لجستیک The Sigmoid Equation with Logistic Regression

  • A Touch More Refactoring A Touch More Refactoring

  • سنجش دقت طبقه بندی Gauging Classification Accuracy

  • سنجش دقت طبقه بندی Gauging Classification Accuracy

  • اجرای یک تابع تست Implementing a Test Function

  • مرزهای تصمیم گیری متغیر Variable Decision Boundaries

  • مرزهای تصمیم گیری متغیر Variable Decision Boundaries

  • میانگین مربعات خطا در مقابل آنتروپی متقاطع Mean Squared Error vs Cross Entropy

  • میانگین مربعات خطا در مقابل آنتروپی متقاطع Mean Squared Error vs Cross Entropy

  • بازسازی با آنتروپی متقاطع Refactoring with Cross Entropy

  • تکمیل Refactor هزینه Finishing the Cost Refactor

  • تکمیل Refactor هزینه Finishing the Cost Refactor

  • طراحی تاریخچه تغییر هزینه Plotting Changing Cost History

  • طراحی تاریخچه تغییر هزینه Plotting Changing Cost History

طبقه بندی باینری طبیعی Natural Binary Classification

  • معرفی رگرسیون لجستیک Introducing Logistic Regression

  • معادله سیگموئید The Sigmoid Equation

  • مرزهای تصمیم گیری Decision Boundaries

  • تغییرات برای رگرسیون لجستیک Changes for Logistic Regression

  • رمزگذاری مقادیر برچسب Encoding Label Values

  • معادله سیگموئید با رگرسیون لجستیک The Sigmoid Equation with Logistic Regression

  • A Touch More Refactoring A Touch More Refactoring

  • اجرای یک تابع تست Implementing a Test Function

  • بازسازی با آنتروپی متقاطع Refactoring with Cross Entropy

طبقه بندی چند ارزشی Multi-Value Classification

  • رگرسیون لجستیک چندوجهی Multinominal Logistic Regression

  • یک Refactor هوشمند برای تحلیل چندجمله ای A Smart Refactor to Multinominal Analysis

  • یک Refactor هوشمند برای تحلیل چندجمله ای A Smart Refactor to Multinominal Analysis

  • یک Refactor هوشمندتر! A Smarter Refactor!

  • یک Refactor هوشمندتر! A Smarter Refactor!

  • یک رویکرد نمونه واحد A Single Instance Approach

  • Refactoring به وزن های چند ستونی Refactoring to Multi-Column Weights

  • مسئله ای برای آزمایش طبقه بندی چندجمله ای A Problem to Test Multinominal Classification

  • طبقه بندی ارزش های پیوسته Classifying Continuous Values

  • طبقه بندی ارزش های پیوسته Classifying Continuous Values

  • آموزش یک مدل چند جمله ای Training a Multinominal Model

  • احتمال حاشیه ای در مقابل احتمال شرطی Marginal vs Conditional Probability

  • Sigmoid در مقابل Softmax Sigmoid vs Softmax

  • Refactoring Sigmoid به Softmax Refactoring Sigmoid to Softmax

  • پیاده سازی گیج های دقت Implementing Accuracy Gauges

  • پیاده سازی گیج های دقت Implementing Accuracy Gauges

  • محاسبه دقت Calculating Accuracy

  • محاسبه دقت Calculating Accuracy

طبقه بندی چند ارزشی Multi-Value Classification

  • رگرسیون لجستیک چندوجهی Multinominal Logistic Regression

  • یک رویکرد نمونه واحد A Single Instance Approach

  • Refactoring به وزن های چند ستونی Refactoring to Multi-Column Weights

  • مسئله ای برای آزمایش طبقه بندی چندجمله ای A Problem to Test Multinominal Classification

  • آموزش یک مدل چند جمله ای Training a Multinominal Model

  • احتمال حاشیه ای در مقابل احتمال شرطی Marginal vs Conditional Probability

  • Sigmoid در مقابل Softmax Sigmoid vs Softmax

  • Refactoring Sigmoid به Softmax Refactoring Sigmoid to Softmax

تشخیص تصویر در عمل Image Recognition In Action

  • تشخیص دست خط Handwriting Recognition

  • مقادیر مقیاس خاکستری Greyscale Values

  • مقادیر مقیاس خاکستری Greyscale Values

  • بسیاری از ویژگی ها Many Features

  • بسیاری از ویژگی ها Many Features

  • صاف کردن داده های تصویر Flattening Image Data

  • صاف کردن داده های تصویر Flattening Image Data

  • رمزگذاری مقادیر برچسب Encoding Label Values

  • رمزگذاری مقادیر برچسب Encoding Label Values

  • پیاده سازی یک سنج دقت Implementing an Accuracy Gauge

  • دقت بدون تغییر Unchanging Accuracy

  • دقت بدون تغییر Unchanging Accuracy

  • اشکال زدایی فرآیند محاسبه Debugging the Calculation Process

  • برخورد با واریانس صفر Dealing with Zero Variances

  • واریانس Backfilling Backfilling Variance

  • واریانس Backfilling Backfilling Variance

تشخیص تصویر در عمل Image Recognition In Action

  • تشخیص دست خط Handwriting Recognition

  • رمزگذاری مقادیر برچسب Encoding Label Values

  • پیاده سازی یک سنج دقت Implementing an Accuracy Gauge

  • اشکال زدایی فرآیند محاسبه Debugging the Calculation Process

  • برخورد با واریانس صفر Dealing with Zero Variances

بهینه سازی عملکرد Performance Optimization

  • ارائه مجموعه داده های بزرگ Handing Large Datasets

  • ارائه مجموعه داده های بزرگ Handing Large Datasets

  • به حداقل رساندن استفاده از حافظه Minimizing Memory Usage

  • ایجاد عکس های لحظه ای حافظه Creating Memory Snapshots

  • جمع آوری زباله جاوا اسکریپت The Javascript Garbage Collector

  • جمع آوری زباله جاوا اسکریپت The Javascript Garbage Collector

  • استفاده از حافظه کم عمق در مقابل حافظه حفظ شده Shallow vs Retained Memory Usage

  • استفاده از حافظه کم عمق در مقابل حافظه حفظ شده Shallow vs Retained Memory Usage

  • اندازه گیری میزان مصرف حافظه Measuring Memory Usage

  • انتشار مراجع Releasing References

  • انتشار مراجع Releasing References

  • اندازه گیری کاهش ردپای Measuring Footprint Reduction

  • بهینه سازی استفاده از حافظه Tensorflow Optimization Tensorflow Memory Usage

  • بهینه سازی استفاده از حافظه Tensorflow Optimization Tensorflow Memory Usage

  • استفاده از حافظه مشتاق Tensorflow Tensorflow's Eager Memory Usage

  • استفاده از حافظه مشتاق Tensorflow Tensorflow's Eager Memory Usage

  • تمیز کردن تانسورها با Tidy Cleaning up Tensors with Tidy

  • تمیز کردن تانسورها با Tidy Cleaning up Tensors with Tidy

  • پیاده سازی TF Tidy Implementing TF Tidy

  • مرتب کردن حلقه آموزشی Tidying the Training Loop

  • اندازه گیری کاهش مصرف حافظه Measuring Reduced Memory Usage

  • یک بهینه سازی دیگر One More Optimization

  • یک بهینه سازی دیگر One More Optimization

  • گزارش نهایی حافظه Final Memory Report

  • تاریخچه هزینه نقشه برداری Plotting Cost History

  • NaN در تاریخچه هزینه NaN in Cost History

  • NaN در تاریخچه هزینه NaN in Cost History

  • اصلاح تاریخچه هزینه Fixing Cost History

  • اصلاح تاریخچه هزینه Fixing Cost History

  • ماساژ پارامترهای یادگیری Massaging Learning Parameters

  • بهبود دقت مدل Improving Model Accuracy

بهینه سازی عملکرد Performance Optimization

  • به حداقل رساندن استفاده از حافظه Minimizing Memory Usage

  • ایجاد عکس های لحظه ای حافظه Creating Memory Snapshots

  • اندازه گیری میزان مصرف حافظه Measuring Memory Usage

  • اندازه گیری کاهش ردپای Measuring Footprint Reduction

  • پیاده سازی TF Tidy Implementing TF Tidy

  • مرتب کردن حلقه آموزشی Tidying the Training Loop

  • اندازه گیری کاهش مصرف حافظه Measuring Reduced Memory Usage

  • گزارش نهایی حافظه Final Memory Report

  • تاریخچه هزینه نقشه برداری Plotting Cost History

  • ماساژ پارامترهای یادگیری Massaging Learning Parameters

  • بهبود دقت مدل Improving Model Accuracy

پیوست: CSV Loader سفارشی Appendix: Custom CSV Loader

  • در حال بارگیری فایل های CSV Loading CSV Files

  • در حال بارگیری فایل های CSV Loading CSV Files

  • مجموعه داده های آزمایشی A Test Dataset

  • مجموعه داده های آزمایشی A Test Dataset

  • خواندن فایل ها از دیسک Reading Files from Disk

  • خواندن فایل ها از دیسک Reading Files from Disk

  • تقسیم به ستون ها Splitting into Columns

  • رها کردن ستون های دنباله دار Dropping Trailing Columns

  • تجزیه مقادیر اعداد Parsing Number Values

  • تجزیه ارزش سفارشی Custom Value Parsing

  • استخراج ستون های داده Extracting Data Columns

  • استخراج ستون های داده Extracting Data Columns

  • مخلوط کردن داده ها از طریق عبارت Seed Shuffling Data via Seed Phrase

  • تست تقسیم و آموزش Splitting Test and Training

  • تست تقسیم و آموزش Splitting Test and Training

پیوست: CSV Loader سفارشی Appendix: Custom CSV Loader

  • تقسیم به ستون ها Splitting into Columns

  • رها کردن ستون های دنباله دار Dropping Trailing Columns

  • تجزیه مقادیر اعداد Parsing Number Values

  • تجزیه ارزش سفارشی Custom Value Parsing

  • مخلوط کردن داده ها از طریق عبارت Seed Shuffling Data via Seed Phrase

موارد اضافی Extras

  • جایزه! Bonus!

موارد اضافی Extras

  • جایزه! Bonus!

نمایش نظرات

نظری ارسال نشده است.

آموزش یادگیری ماشین با جاوا اسکریپت
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
17.5 hours
187
Udemy (یودمی) udemy-small
11 اسفند 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
28,239
4.6 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Stephen Grider Stephen Grider

معمار مهندسی

Stephen Grider Stephen Grider

معمار مهندسی

Udemy (یودمی)

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.