آموزش پیشرفته یادگیری ماشین و یادگیری عمیق (Deep Learning) - آخرین آپدیت

دانلود Advanced Machine Learning and Deep Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است؛ روشی هوشمندتر برای یادگیری با گفتگوهای تعاملی و لحظه‌ای که به شما کمک می‌کند تا دانش خود را آزمایش کنید، پیش‌فرض‌ها را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. این دوره پیشرفته یادگیری ماشین و یادگیری عمیق، پایه‌ای مستحکم در این فناوری‌های تحول‌آفرین فراهم می‌کند. با شروع از یک نمای کلی از یادگیری عمیق، مفاهیم اصلی، کاربردهای واقعی و اهمیت آن در تکامل هوش مصنوعی را بررسی خواهید کرد. جنبه‌های عملی شامل لایه‌های شبکه عصبی، توابع فعال‌ساز و معیارهای ارزیابی عملکرد در مدل‌ها است. از طریق آزمایشگاه‌های کدنویسی عملی، مباحث رگرسیون، طبقه‌بندی و شبکه‌های عصبی پیچشی (CNN) را پوشش داده و مدل‌ها را ساخته و بهینه‌سازی می‌کنید، توابع زیان (Loss Functions) را درک کرده و از بهینه‌سازها برای افزایش دقت استفاده خواهید کرد. در این دوره بر فریم‌ورک‌هایی مانند TensorFlow و PyTorch برای توسعه شبکه‌های عصبی قدرتمند تاکید شده است. دوره با موضوعات تخصصی مانند اتوانکودرها (Autoencoders)، یادگیری انتقالی (Transfer Learning) و شبکه‌های عصبی بازگشتی (RNN) به پایان می‌رسد. آزمایشگاه‌ها و پروژه‌های تعاملی، دانش شما را در تحلیل داده‌های پیچیده، پیش‌بینی سری‌های زمانی و ایجاد برنامه‌های وب با Shiny به کار می‌گیرند. این دوره برای دانشمندان داده، مهندسان یادگیری ماشین و علاقه‌مندان به هوش مصنوعی ایده‌آل است. پیش‌نیازها شامل تسلط بر زبان پایتون و دانش پایه یادگیری ماشین است.

سرفصل ها و درس ها

مقدمه‌ای بر یادگیری عمیق Deep Learning: Introduction

  • نمای کلی یادگیری عمیق Deep Learning General Overview

  • اصول مدل‌سازی یادگیری عمیق Deep Learning Modeling 101

  • ارزیابی عملکرد Performance

  • از پرسپترون تا شبکه‌های عصبی From Perceptron to Neural Networks

  • انواع لایه‌ها Layer Types

  • تابع زیان (Loss Function) Loss Function

  • بهینه‌ساز (Optimizer) Optimizer

  • فریم‌ورک‌های یادگیری عمیق Deep Learning Frameworks

  • نصب پایتون و کراس (Keras) Python and Keras Installation

یادگیری عمیق: رگرسیون Deep Learning: Regression

  • آزمایشگاه رگرسیون چندهدفه (مقدمه) Multi-Target Regression Lab (Introduction)

  • آزمایشگاه رگرسیون چندهدفه (کدنویسی ۱/۲) Multi-Target Regression Lab (Coding 1/2)

  • آزمایشگاه رگرسیون چندهدفه (کدنویسی ۲/۲) Multi-Target Regression Lab (Coding 2/2)

یادگیری عمیق: طبقه‌بندی Deep Learning: Classification

  • آزمایشگاه طبقه‌بندی باینری (مقدمه) Binary Classification Lab (Introduction)

  • آزمایشگاه طبقه‌بندی باینری (کدنویسی ۱/۲) Binary Classification Lab (Coding 1/2)

  • آزمایشگاه طبقه‌بندی باینری (کدنویسی ۲/۲) Binary Classification Lab (Coding 2/2)

  • آزمایشگاه طبقه‌بندی چندبرچسبی (مقدمه) Multi-Label Classification Lab (Introduction)

  • آزمایشگاه طبقه‌بندی چندبرچسبی (کدنویسی ۱/۳) Multi-Label Classification Lab (Coding 1/3)

  • آزمایشگاه طبقه‌بندی چندبرچسبی (کدنویسی ۲/۳) Multi-Label Classification Lab (Coding 2/3)

  • آزمایشگاه طبقه‌بندی چندبرچسبی (کدنویسی ۳/۳) Multi-Label Classification Lab (Coding 3/3)

یادگیری عمیق: شبکه‌های عصبی پیچشی (CNN) Deep Learning: Convolutional Neural Networks

  • اصول شبکه‌های عصبی پیچشی (CNN) Convolutional Neural Networks 101

  • بررسی تعاملی شبکه‌های عصبی پیچشی Convolutional Neural Networks Interactive

  • آزمایشگاه شبکه‌های عصبی پیچشی (مقدمه) Convolutional Neural Networks Lab (Introduction)

  • آزمایشگاه شبکه‌های عصبی پیچشی (۱/۱) Convolutional Neural Networks Lab (1/1)

  • تمرین شبکه‌های عصبی پیچشی Convolutional Neural Networks Exercise

  • اصول بخش‌بندی معنایی (Semantic Segmentation) Semantic Segmentation 101

  • آزمایشگاه بخش‌بندی معنایی (مقدمه) Semantic Segmentation Lab (Introduction)

  • آزمایشگاه بخش‌بندی معنایی (۱/۱) Semantic Segmentation Lab (1/1)

یادگیری عمیق: اتوانکودرها Deep Learning: Autoencoders

  • اصول اتوانکودرها Autoencoders 101

  • آزمایشگاه اتوانکودرها (مقدمه) Autoencoders Lab (Introduction)

  • آزمایشگاه اتوانکودرها (کدنویسی) Autoencoders Lab (Coding)

یادگیری عمیق: یادگیری انتقالی و شبکه‌های پیش‌آموزش‌دیده Deep Learning: Transfer Learning and Pretrained Networks

  • اصول یادگیری انتقالی و مدل‌های پیش‌آموزش‌دیده Transfer Learning and Pretrained Models 101

  • آزمایشگاه یادگیری انتقالی (مقدمه) Transfer Learning and Pretrained Models Lab (Introduction)

  • آزمایشگاه یادگیری انتقالی (۱/۱) Transfer Learning and Pretrained Models Lab (1/1)

یادگیری عمیق: شبکه‌های عصبی بازگشتی (RNN) Deep Learning: Recurrent Neural Networks

  • اصول شبکه‌های عصبی بازگشتی (RNN) Recurrent Neural Networks 101

  • مدل LSTM: پیش‌بینی سری زمانی تک‌متغیره چندگامه (مقدمه) LSTM: Univariate, Multistep Timeseries Prediction (Introduction)

  • مدل LSTM: پیش‌بینی سری زمانی تک‌متغیره چندگامه (آزمایشگاه ۱/۱) LSTM: Univariate, Multistep Timeseries Prediction Lab (1/1)

  • مدل LSTM: پیش‌بینی سری زمانی چندمتغیره چندگامه (مقدمه) LSTM: Multivariate, Multistep Timeseries Prediction (Introduction)

  • مدل LSTM: پیش‌بینی سری زمانی چندمتغیره چندگامه (آزمایشگاه ۱/۱) LSTM: Multivariate, Multistep Timeseries Prediction Lab (1/1)

آموزش Shiny Shiny

  • مقدمه‌ای بر Shiny Shiny Introduction

  • زبان‌های محبوب (مقدمه) Popular Languages (Introduction)

  • زبان‌های محبوب (global.R) Popular Languages (global.R)

  • زبان‌های محبوب (ui.R) Popular Languages (ui.R)

  • زبان‌های محبوب (server.R) Popular Languages (server.R)

  • عبارات واکنش‌گرا (Reactive Expressions) Reactive Expressions (101)

  • زبان‌های محبوب (عبارات واکنش‌گرا) Popular Languages (Reactive Expressions)

  • استقرار اپلیکیشن (App Deployment) App Deployment

  • تولید ناخالص داخلی و امید به زندگی (تمرین) GDP and Life Expectancy (Exercise)

  • تولید ناخالص داخلی و امید به زندگی (پاسخ) GDP and Life Expectancy (Solution)

نمایش نظرات

آموزش پیشرفته یادگیری ماشین و یادگیری عمیق (Deep Learning)
جزییات دوره
7h 22m
48
(آخرین آپدیت)
628
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده