یادگیری عمیق با پروژه های دنیای واقعی [ویدئو]

Deep Learning with Real-World Projects [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آیا می خواهید یک دانشمند داده خوب شوید؟ سپس این دوره مناسب برای شما است. این دوره توسط متخصصان IIT که به ریاضیات و علوم داده تسلط دارند طراحی شده است. ما تئوری های پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی بسیار ساده پوشش خواهیم داد که برای هر مبتدی به راحتی قابل درک باشد. ما شما را قدم به قدم وارد دنیای یادگیری عمیق خواهیم کرد. هر ویدیو به دنبال بهبود درک شما از زمینه چالش برانگیز یادگیری عمیق از سطح مبتدی تا پیشرفته است. ما شبکه‌های عصبی مصنوعی، شبکه‌های پیش‌خور، انتشار پس‌انداز، منظم‌سازی، شبکه‌های عصبی کانولوشن، عملی در CNN، دو پروژه واقعی برای CNN، یادگیری انتقال، شبکه‌های عصبی مکرر، RNN پیشرفته، مطالعه موردی NLP (پردازش زبان طبیعی) را پوشش خواهیم داد. ، کد برنامه نویسی خودکار را تولید کنید و پایه ای محکم برای پایتون و یادگیری ماشین بسازید. ما در این دوره به حل چند پروژه واقعی خواهیم پرداخت و راه حل های کامل آنها نیز ارائه شده است تا دانش آموزان بتوانند به راحتی مطالب آموزش داده شده را پیاده سازی کنند. در پایان دوره، می توانید از الگوریتم های یادگیری عمیق پایتون در زندگی واقعی استفاده کنید. تمامی کدها و فایل های پشتیبانی این دوره در آدرس زیر موجود است: https://github.com/packtpublishing/deep-learning-with-real-world-projects آموزش استفاده از Matplotlib برای تجسم داده ها یاد بگیرید که از Seaborn برای نمودارهای آماری استفاده کنید آموزش استفاده از NumPy و Pandas برای تجزیه و تحلیل داده ها تمام ریاضیات مورد نیاز برای درک الگوریتم های یادگیری عمیق را بیاموزید تمام اصول آماری را بیاموزید و به یک متخصص یادگیری عمیق تبدیل شوید راه‌حل‌های علم داده را بیاموزید. کسانی که در حال حاضر بر روی مدل های تحلیلی و یادگیری ماشین کار می کنند و به دنبال استفاده از فناوری های یادگیری عمیق برای بهبود ظرفیت حل مسئله خود هستند، باید از این دوره بهره مند شوند. متخصصان شاغل که به دنبال انتقال شغلی به سمت نقش‌های علم داده هستند، می‌توانند مهارت بیشتری کسب کنند. یک دوره عملی با چندین پروژه واقعی در یادگیری عمیق * همه الگوریتم ها و تکنیک های یادگیری عمیق سطح پیشرفته مانند منظم سازی، ترک تحصیل و موارد دیگر * پیاده سازی الگوریتم های یادگیری عمیق همراه با شهودات ریاضی

سرفصل ها و درس ها

معرفی دوره Course Introduction

  • معرفی Introduction

  • تاریخچه یادگیری عمیق History of Deep Learning

  • پرسپترون ها Perceptrons

  • پرسپترون های چند سطحی Multi-Level Perceptrons

  • زمین بازی شبکه عصبی Neural Network Playground

  • نمایندگی ها Representations

  • آموزش شبکه عصبی - قسمت اول Training Neural Network - Part 1

  • آموزش شبکه عصبی - قسمت دوم Training Neural Network - Part 2

  • آموزش شبکه عصبی - قسمت 3 Training Neural Network - Part 3

  • توابع فعال سازی Activation Functions

شبکه های عصبی مصنوعی-مقدمه Artificial Neural Networks-Introduction

  • معرفی Introduction

  • یادگیری عمیق Deep Learning

  • درک مغز انسان Understanding the Human Brain

  • پرسپترون Perceptron

  • پرسپترون برای طبقه بندی کننده ها Perceptron for Classifiers

  • پرسپترون در عمق Perceptron in Depth

  • مختصات همگن Homogeneous Coordinate

  • مثال برای Perceptron Example for Perceptron

  • چند طبقه بندی کننده Multi-Classifier

  • شبکه های عصبی Neural Networks

  • لایه ورودی Input Layer

  • لایه خروجی Output Layer

  • تابع سیگموئید Sigmoid Function

  • درک MNIST Understanding MNIST

  • مفروضات در شبکه های عصبی Assumptions in Neural Networks

  • آموزش شبکه های عصبی Training in Neural Networks

  • درک نمادها Understanding Notations

  • توابع فعال سازی Activation Functions

ANN - شبکه فید فوروارد ANN - Feed Forward Network

  • معرفی Introduction

  • حالت آفلاین آنلاین Online Offline Mode

  • RNN دو طرفه Bidirectional RNN

  • درک ابعاد Understanding Dimensions

  • شبه کد Pseudocode

  • شبه کد برای دسته Pseudocode for Batch

  • روش های برداری Vectorized Methods

پس انتشار Backpropagation

  • معرفی Introduction

  • معرفی تابع ضرر Introducing Loss Function

  • آموزش پس تکثیر - قسمت 1 Backpropagation Training - Part 1

  • آموزش پس تکثیر - قسمت 2 Backpropagation Training - Part 2

  • آموزش پس تکثیر - قسمت 3 Backpropagation Training - Part 3

  • آموزش پس تکثیر - قسمت 4 Backpropagation Training - Part 4

  • آموزش پس تکثیر - قسمت 5 Backpropagation Training - Part 5

  • تابع سیگموئید Sigmoid Function

  • آموزش پس تکثیر - قسمت 6 Backpropagation Training - Part 6

  • آموزش پس تکثیر - قسمت 7 Backpropagation Training - Part 7

  • آموزش پس تکثیر - قسمت 8 Backpropagation Training - Part 8

  • آموزش پس تکثیر - قسمت 9 Backpropagation Training - Part 9

  • آموزش پس تکثیر - قسمت 10 Backpropagation Training - Part 10

  • شبه کد Pseudocode

  • SGD SGD

  • یافتن حداقل های جهانی Finding Global Minima

  • آموزش برای دسته ها Training for Batches

منظم سازی Regularization

  • مقدمه ای بر منظم سازی Introduction to Regularization

  • ترک تحصیل قسمت 1 Dropouts Part 1

  • ترک تحصیل قسمت 2 Dropouts Part 2

  • عادی سازی دسته ای - قسمت 1 Batch Normalization - Part 1

  • عادی سازی دسته ای - قسمت 2 Batch Normalization - Part 2

  • عادی سازی دسته ای - قسمت 3 Batch Normalization - Part 3

  • معرفی TensorFlow Introducing TensorFlow

  • معرفی کراس Introducing Keras

شبکه های عصبی کانولوشن Convolution Neural Networks

  • معرفی Introduction

  • برنامه های کاربردی برای CNN Applications for CNN

  • ایده پشت سی ان ان - قسمت 1 Idea Behind CNN - Part 1

  • ایده پشت سی ان ان - قسمت 2 Idea Behind CNN - Part 2

  • تصاویر Images

  • ویدئو Video

  • پیچیدگی - قسمت 1 Convolution - Part 1

  • پیچیدگی - قسمت 2 Convolution - Part 2

  • گام برداشتن و پدینگ Stride and Padding

  • لایه گذاری Padding

  • فرمول ها Formulas

  • وزن و تعصب Weight and Bias

  • نقشه ویژگی Feature Map

  • ادغام Pooling

  • ترکیب شبکه Combining Network

CNN-Keras CNN-Keras

  • معرفی Introduction

  • VGG16 (گروه هندسه بصری) VGG16 (Visual Geometry Group)

  • عملی در CNN: مطالعه موردی - قسمت 1 Practical on CNN: Case Study – Part 1

  • عملی در CNN: مطالعه موردی - قسمت 2 Practical on CNN: Case Study – Part 2

  • عملی در CNN: مطالعه موردی - قسمت 3 Practical on CNN: Case Study – Part 3

  • عملی در CNN: مطالعه موردی - قسمت 4 Practical on CNN: Case Study – Part 4

  • عملی در CNN: مطالعه موردی - قسمت 5 Practical on CNN: Case Study – Part 5

CNN-آموزش انتقال CNN-Transfer Learning

  • معرفی Introduction

  • الکس نت AlexNet

  • GoogleNet GoogleNet

  • ResNet - قسمت 1 ResNet - Part 1

  • ResNet - قسمت 2 ResNet - Part 2

  • آموزش انتقال - قسمت 1 Transfer Learning - Part 1

  • آموزش انتقال - قسمت 2 Transfer Learning - Part 2

  • آموزش انتقالی - قسمت 3 Transfer Learning - Part 3

  • آموزش انتقالی - قسمت 4 Transfer Learning - Part 4

  • آموزش انتقال - قسمت 5 Transfer Learning - Part 5

  • آموزش انتقالی - قسمت 6 Transfer Learning - Part 6

  • مطالعه موردی - قسمت 1 Case Study - Part 1

  • مطالعه موردی - قسمت 2 Case Study - Part 2

  • مطالعه موردی - قسمت 3 Case Study - Part 3

  • تجزیه و تحلیل - قسمت 1 Analysis - Part 1

  • تجزیه و تحلیل - قسمت 2 Analysis - Part 2

CNN-Industry Live Project: بازی با تصاویر طبیعی در دنیای واقعی CNN-Industry Live Project: Playing with Real-World Natural Images

  • معرفی Introduction

  • کار با تصاویر گل: مطالعه موردی - قسمت 1 Working with Flower Images: Case Study - Part 1

  • کار با تصاویر گل: مطالعه موردی - قسمت 2 Working with Flower Images: Case Study - Part 2

  • کار با تصاویر گل: مطالعه موردی - قسمت 3 Working with Flower Images: Case Study - Part 3

  • کار با تصاویر گل: مطالعه موردی - قسمت 4 Working with Flower Images: Case Study - Part 4

  • کار با تصاویر گل: مطالعه موردی - قسمت 5 Working with Flower Images: Case Study - Part 5

  • کار با تصاویر گل: مطالعه موردی - قسمت 6 Working with Flower Images: Case Study - Part 6

  • کار با تصاویر گل: مطالعه موردی - قسمت 7 Working with Flower Images: Case Study - Part 7

  • کار با تصاویر گل: مطالعه موردی - قسمت 8 Working with Flower Images: Case Study - Part 8

  • کار با تصاویر گل: مطالعه موردی - قسمت 9 Working with Flower Images: Case Study - Part 9

  • کار با تصاویر گل: مطالعه موردی - قسمت 10 Working with Flower Images: Case Study - Part 10

  • کار با تصاویر گل: مطالعه موردی - قسمت 11 Working with Flower Images: Case Study - Part 11

  • کار با تصاویر گل: مطالعه موردی - قسمت 12 Working with Flower Images: Case Study - Part 12

  • کار با تصاویر گل: مطالعه موردی - قسمت 13 Working with Flower Images: Case Study - Part 13

  • کار با تصاویر گل: مطالعه موردی - قسمت 14 Working with Flower Images: Case Study - Part 14

پروژه CNN-Industry Live: ناهنجاری های پزشکی را بیابید و یک زندگی را نجات دهید CNN-Industry Live Project: Find Medical Abnormalities and Save a Life

  • معرفی Introduction

  • کار با تصاویر اشعه ایکس: مطالعه موردی - قسمت 1 Working with X-Ray images: Case Study - Part 1

  • کار با تصاویر اشعه ایکس: مطالعه موردی - قسمت 2 Working with X-Ray images: Case Study - Part 2

  • کار با تصاویر اشعه ایکس: مطالعه موردی - قسمت 3 Working with X-Ray images: Case Study - Part 3

  • کار با تصاویر اشعه ایکس: مطالعه موردی - قسمت 4 Working with X-Ray images: Case Study - Part 4

  • کار با تصاویر اشعه ایکس: مطالعه موردی - قسمت 5 Working with X-Ray images: Case Study - Part 5

  • کار با تصاویر اشعه ایکس: مطالعه موردی - قسمت 6 Working with X-Ray images: Case Study - Part 6

شبکه های عصبی مکرر: مقدمه Recurrent Neural Networks: Introduction

  • مقدمه ای بر RNN Introduction to RNN

  • RNN - قسمت 1 RNN - Part 1

  • RNN - قسمت 2 RNN - Part 2

  • فرمول RNN RNN Formula

  • معماری Architecture

  • داده های دسته ای Batch data

  • نمادهای ساده شده Simplified Notations

  • انواع RNN - قسمت 1 Types of RNN - Part 1

  • انواع RNN - قسمت 2 Types of RNN - Part 2

  • آموزش RNN Training RNN

  • یک به چند One-to-Many

  • ناپدید شدن گرادیان Vanishing Gradient

شبکه های عصبی مکرر: LSTM Recurrent Neural Networks: LSTM

  • معرفی Introduction

  • حالت آفلاین آنلاین Online Offline Mode

  • RNN دو طرفه Bidirectional RNN

  • LSTM - قسمت 1 LSTM - Part 1

  • LSTM - قسمت 2 LSTM - Part 2

  • LSTM - قسمت 3 LSTM - Part 3

  • LSTM - قسمت 4 LSTM - Part 4

  • LSTM - قسمت 5 LSTM - Part 5

  • معادله LSTM LSTM Equation

  • شبکه بازگشتی دروازه ای (GRU) Gated Recurrent Network (GRU)

شبکه‌های خنثی مکرر: برچسب‌گذار قسمتی از گفتار Recurrent Neutral Networks: Part-Of-Speech Tagger

  • مطالعه موردی برچسب‌گذار قسمت از گفتار (بخش اول) Part-Of-Speech Tagger Case-Study (Part-1)

  • مطالعه موردی برچسب‌گذاری قسمت از گفتار (بخش 2) Part-Of-Speech Tagger Case- Study (Part-2)

  • مطالعه موردی برچسب‌گذار قسمت از گفتار (بخش 3) Part-Of-Speech Tagger Case- Study (Part-3)

  • مطالعه موردی برچسب‌گذار قسمت از گفتار (بخش 4) Part-Of-Speech Tagger Case- Study (Part-4)

  • مطالعه موردی برچسب‌گذار قسمت از گفتار (بخش 5) Part-Of-Speech Tagger Case- Study (Part-5)

  • مطالعه موردی برچسب‌گذار قسمت از گفتار (بخش ۶) Part-Of-Speech Tagger Case- Study (Part-6)

  • مطالعه موردی برچسب‌گذار قسمت از گفتار (بخش-7) Part-Of-Speech Tagger Case- Study (Part-7)

  • مطالعه موردی برچسب‌گذار قسمت از گفتار (بخش 8) Part-Of-Speech Tagger Case- Study (Part-8)

  • مطالعه موردی برچسب‌گذار قسمت از گفتار (بخش 9) Part-Of-Speech Tagger Case- Study (Part-9)

تولید متن با استفاده از RNN Text Generation Using RNN

  • تولید متن: مطالعه موردی مولد کد (بخش اول) Text Generation: Code Generator Case- Study (Part-1)

  • تولید متن: مطالعه موردی مولد کد (بخش 2) Text Generation: Code Generator Case- Study (Part-2)

  • تولید متن: مطالعه موردی مولد کد (بخش 3) Text Generation: Code Generator Case- Study (Part-3)

  • تولید متن: مطالعه موردی مولد کد (بخش 4) Text Generation: Code Generator Case- Study (Part-4)

پیش نیاز - اصول پایتون Prerequisite - Python Fundamentals

  • نصب پایتون و آناکوندا Installation of Python and Anaconda

  • مقدمه پایتون Python Introduction

  • متغیرها در پایتون Variables in Python

  • عملیات عددی در پایتون Numeric Operations in Python

  • عملیات منطقی Logical Operations

  • اگر دیگر حلقه If Else Loop

  • برای حلقه while For While Loop

  • کارکرد Functions

  • رشته ها: قسمت 1 Strings: Part 1

  • رشته ها: قسمت 2 Strings: Part 2

  • لیست: قسمت 1 List: Part 1

  • لیست: قسمت 2 List: Part 2

  • لیست: قسمت 3 List: Part 3

  • لیست: قسمت 4 List: Part 4

  • تاپل ها Tuples

  • مجموعه ها Sets

  • لغت نامه ها Dictionaries

  • درک مطلب Comprehension

پیش نیاز - NumPy Prerequisite - NumPy

  • معرفی Introduction

  • عملیات NumPy: قسمت 1 NumPy Operations: Part 1

  • عملیات NumPy: قسمت 2 NumPy Operations: Part 2

پیش نیاز - پانداها Prerequisite - Pandas

  • معرفی Introduction

  • سلسله Series

  • DataFrame DataFrame

  • عملیات: قسمت 1 Operations: Part 1

  • عملیات: قسمت 2 Operations: Part 2

  • شاخص ها Indexes

  • loc و iloc loc and iloc

  • خواندن CSV Reading CSV

  • ادغام: قسمت 1 Merging: Part 1

  • دسته بندی بر اساس groupby

  • ادغام: قسمت 2 Merging: Part 2

  • جداول محوری Pivot Tables

پیش نیاز - کمی سرگرمی با ریاضی Prerequisite - Some Fun with Math

  • جبر خطی: بردارها Linear Algebra: Vectors

  • جبر خطی: ماتریس: قسمت 1 Linear Algebra: Matrix: Part 1

  • جبر خطی: ماتریس: قسمت 2 Linear Algebra: Matrix: Part 2

  • جبر خطی: رفتن از 2 بعدی به nD: قسمت 1 Linear Algebra: Going from 2D to nD: Part 1

  • جبر خطی: رفتن از 2 بعدی به nD: قسمت 2 Linear Algebra: Going from 2D to nD: Part 2

پیش نیاز - تجسم داده ها Prerequisite - Data Visualization

  • Matplotlib Matplotlib

  • متولد دریا Seaborn

  • مطالعه موردی Case Study

  • Seaborn در داده های سری زمانی Seaborn on Time Series Data

پیش نیاز - رگرسیون خطی ساده Prerequisite - Simple Linear Regression

  • مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • انواع یادگیری ماشینی Types of Machine Learning

  • مقدمه ای بر رگرسیون خطی (LR) Introduction to Linear Regression (LR)

  • LR چگونه کار می کند؟ How LR Works?

  • کمی سرگرمی با ریاضیات پشت LR Some Fun with Math Behind LR

  • میدان آر R Square

  • مطالعه موردی LR: قسمت 1 LR Case Study: Part 1

  • مطالعه موردی LR: قسمت 2 LR Case Study: Part 2

  • مطالعه موردی LR: قسمت 3 LR Case Study: Part 3

  • خطای مربع باقیمانده (RSE) Residual Square Error (RSE)

پیش نیاز - گرادیان نزول Prerequisite - Gradient Descent

  • پیش نیاز برای نزول گرادیان: قسمت 1 Prerequisite for Gradient Descent: Part 1

  • پیش نیاز برای نزول گرادیان: قسمت 2 Prerequisite for Gradient Descent: Part 2

  • توابع هزینه Cost Functions

  • تعریف رسمی تر توابع هزینه Defining Cost Functions More Formally

  • گرادیان نزول Gradient Descent

  • بهينه سازي Optimization

  • d فرم در مقابل نزول گرادیان d Form Versus Gradient Descent

  • مطالعه موردی نزول گرادیان Gradient Descent Case Study

پیش نیاز - طبقه بندی: KNN Prerequisite - Classification: KNN

  • مقدمه ای بر طبقه بندی Introduction to Classification

  • تعریف طبقه بندی ریاضی Defining Classification Mathematically

  • مقدمه ای بر KNN Introduction to KNN

  • دقت KNN Accuracy of KNN

  • اثربخشی KNN Effectiveness of KNN

  • متریک فاصله Distance Metrics

  • معیارهای فاصله: قسمت 2 Distance Metrics: Part 2

  • پیدا کردن ک Finding k

  • KNN در رگرسیون KNN on Regression

  • مطالعه موردی Case Study

  • مورد طبقه بندی 1 Classification Case 1

  • طبقه بندی مورد 2 Classification Case 2

  • طبقه بندی مورد 3 Classification Case 3

  • طبقه بندی مورد 4 Classification Case 4

پیش نیاز - رگرسیون لجستیک Prerequisite - Logistic Regression

  • معرفی Introduction

  • تابع سیگموئید Sigmoid Function

  • شانس ورود به سیستم Log Odds

  • مطالعه موردی Case Study

پیش نیاز - الگوریتم های پیشرفته یادگیری ماشین Prerequisite - Advanced Machine Learning Algorithms

  • معرفی Introduction

  • مثال: قسمت 1 Example: Part 1

  • مثال: قسمت 2 Example: Part 2

  • راه حل بهینه Optimal Solution

  • مطالعه موردی Case Study

  • منظم سازی Regularization

  • ریج و کمند Ridge and Lasso

  • مطالعه موردی Case Study

  • انتخاب مدل Model Selection

  • مربع R تنظیم شده Adjusted R Square

نمایش نظرات

یادگیری عمیق با پروژه های دنیای واقعی [ویدئو]
جزییات دوره
34 h 31 m
243
Packtpub Packtpub
(آخرین آپدیت)
1
3 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

Geekshub Pvt. Ltd. Geekshub Pvt. Ltd.

Geekshub یک شرکت آموزش آنلاین در زمینه داده های بزرگ و تجزیه و تحلیل است. هدف آنها به عنوان یک تیم این است که بهترین مجموعه مهارت را به مشتریان خود ارائه دهند تا آنها را برای کار آماده کنند و آنها را برای مقابله با هر چالشی آماده کنند. آنها بهترین مربیان را برای فناوری های پیشرفته مانند یادگیری ماشینی، یادگیری عمیق، پردازش زبان طبیعی (NLP)، یادگیری تقویتی و علم داده دارند. مربیان آنها افرادی هستند که از IIT، MIT و Standford فارغ التحصیل شده اند. آنها مشتاق آموزش موضوعات با استفاده از مطالعات موردی در دنیای واقعی هستند که تجربه یادگیری دانش آموزان را کالیبره می کند.

Geekshub Pvt. Ltd. Geekshub Pvt. Ltd.

Geekshub یک شرکت آموزش آنلاین در زمینه داده های بزرگ و تجزیه و تحلیل است. هدف آنها به عنوان یک تیم این است که بهترین مجموعه مهارت را به مشتریان خود ارائه دهند تا آنها را برای کار آماده کنند و آنها را برای مقابله با هر چالشی آماده کنند. آنها بهترین مربیان را برای فناوری های پیشرفته مانند یادگیری ماشینی، یادگیری عمیق، پردازش زبان طبیعی (NLP)، یادگیری تقویتی و علم داده دارند. مربیان آنها افرادی هستند که از IIT، MIT و Standford فارغ التحصیل شده اند. آنها مشتاق آموزش موضوعات با استفاده از مطالعات موردی در دنیای واقعی هستند که تجربه یادگیری دانش آموزان را کالیبره می کند.