لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق با TensorFlow: بینش و نوآوری
دانلود Deep Learning with TensorFlow: Insights and Innovations
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
از آنجایی که چشم انداز هوش مصنوعی به طور مداوم در حال تکامل است، درک جنبه های اساسی و در حال ظهور یادگیری عمیق برای حرفه ای هایی که به دنبال پیشرفت در زمینه های مرتبط با فناوری هستند بسیار مهم می شود. این دوره با ارائه بینش های به روز در مورد چگونگی استفاده از قدرت برنامه های کاربردی TensorFlow به پر کردن این شکاف کمک می کند. جدیدترین ویژگیها و بهترین شیوههای TensorFlow را با برنامههای کاربردی و نمونههای واقعی کشف کنید. در طول مسیر، مربی Isil Berkun شما را با مفاهیم مولد هوش مصنوعی آشنا می کند تا الهام بخش کاوش و یادگیری بیشتر باشد. در پایان این دوره، شما در پیاده سازی مدل های یادگیری عمیق با TensorFlow مهارت خواهید داشت.
این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با استفاده از GitHub Codespaces، میتوانید در هر زمان و در هر زمانی از ابزاری استفاده کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، فصل "غواصی در فضاهای کد" را بررسی کنید.
سرفصل ها و درس ها
مقدمه
Introduction
به یادگیری عمیق با TensorFlow خوش آمدید
Welcome to deep learning with TensorFlow
1. غواصی در فضای کد
1. Diving into Codespaces
راه اندازی TensorFlow با Codespace
Setting up TensorFlow with Codespaces
فضاهای کد: فضای کاری آماده برای استفاده شما
Codespaces: Your ready-to-use workspace
2. درک TensorFlow
2. Understanding TensorFlow
گردش کار یادگیری ماشین
Machine learning workflow
ملزومات TensorFlow
TensorFlow essentials
TensorFlow برای کاربران NumPy ساده شده است
TensorFlow simplified for NumPy users
چالش: عادی سازی تانسورها
Challenge: Normalizing tensors
راه حل: تجزیه و تحلیل آماری گام به گام
Solution: Step-by-step statistical analysis
3. اولین مدل خود را بسازید
3. Building Your First Model
ذخیره و استفاده مجدد از مدل های آموزش دیده
Save and reuse trained models
راه حل: بلوک های سازنده برای تسلط TensorFlow
Solution: Building blocks to TensorFlow mastery
رمزگذارهای خودکار: مقدمه ای ملایم بر مدل های مولد
Autoencoders: A gentle introduction to generative models
نظارت بر آموزش و اعتبار سنجی
Monitor training and validation
چالش: اولین مدل تنسورفلو من
Challenge: My first TensorFlow model
پیش پردازش و تغذیه داده ها به مدل شما
Preprocessing and feeding data into your model
بیایید یک مدل TensorFlow ایجاد کنیم
Let's create a TensorFlow model
معیارهای موفقیت
Success metrics
4. تسلط بر TensorBoard
4. Mastering TensorBoard
تجسم موفقیت با TensorBoard
Visualizing success with TensorBoard
بررسی عمیق معیارهای آموزشی
Deep dives into training metrics
ایسیل اهل استانبول، ترکیه است و در حال حاضر در پورتلند، اورگان زندگی می کند. او در سال 2015 از دانشگاه ایالتی میشیگان (MSU) فارغ التحصیل شد و دکترای خود را در رشته مهندسی برق دریافت کرد. زمینه های تخصص او شامل الکترونیک نیمه هادی پیشرفته و یادگیری ماشین برای درک عمیق از ساخت و طراحی دستگاه است. Isil در شورای تحقیقات علمی و فناوری ترکیه (TÜBİTAK) و آزمایشگاه ملی آرگون (ANL) در ایلینوی کارآموزی کرد. او قبلاً به عنوان دستیار تحقیق و تدریس در دانشگاه ایالتی میشیگان (MSU) کار می کرد، جایی که یک سیستم مشخصه حمل و نقل نیمه هادی را طراحی و ساخت و نرم افزار اتوماسیون آزمایشی را برنامه ریزی کرد.
نمایش نظرات