نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این دوره ، ما نگاهی خواهیم انداخت به استراتژی های مختلف برای ساخت یک طبقه بندی تصویر با استفاده از شبکه های عصبی کانولوشن. ما با افزایش ، استخراج ویژگی ها و تنظیمات دقیق بیش از حد دقت مدل را بهبود می بخشیم در حالی که ... این دوره بخشی از موارد زیر است: یادگیری پیشرفته ماشین در Google Cloud Path همه را بزرگ کنید به تصویر درک با TensorFlow در GCP خوش آمدید 18m 41s مدل های خطی و DNN 1 ساعت و 5 دقیقه 57 شبکه های عصبی کانولوشن (CNN) 37m 59s مقابله با کمبود داده 35 متر 5 ثانیه عمیق تر رفتن 1 ساعت 4 متر 45 ثانیه مدل های ML از قبل ساخته شده برای طبقه بندی تصویر 33m 44s خلاصه 3m 58s علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
به تصویر درک با TensorFlow در GCP خوش آمدید
Welcome to Image Understanding with TensorFlow on GCP
-
معرفی دوره
Course Introduction
-
تصاویر به عنوان داده های تصویری
Images as Visual Data
-
ساختار داده و داده غیر ساختاری
Structured vs Unstructured Data
-
شروع کار با GCP و Qwiklabs
Getting started with GCP and Qwiklabs
مدل های خطی و DNN
Linear and DNN Models
-
مقدمه
Introduction
-
مدل های خطی
Linear Models
-
Lab Intro: مدل های خطی برای طبقه بندی تصویر
Lab Intro:Linear Models for Image Classification
-
آزمایشگاه: طبقه بندی تصویر با یک مدل خطی
Lab: Image Classification with a Linear Model
-
راه حل آزمایشگاهی: مدل های خطی برای طبقه بندی تصویر
Lab Solution:Linear Models for Image Classification
-
بررسی مدل های DNN
DNN Models Review
-
آزمایشگاه معرفی: مدل های DNN برای طبقه بندی تصویر
Lab Intro:DNN Models for Image Classification
-
آزمایشگاه: طبقه بندی تصویر با مدل شبکه عصبی عمیق
Lab: Image Classification with a Deep Neural Network Model
-
راه حل آزمایشگاهی: مدل های DNN برای طبقه بندی تصویر
Lab Solution:DNN Models for Image Classification
-
نقد و بررسی: Dropout چیست؟
Review:What is Dropout?
-
Lab Intro: DNN با لایه Dropout برای طبقه بندی تصویر
Lab Intro:DNNs with Dropout Layer for Image Classification
-
آزمایشگاه: طبقه بندی تصویر با مدل DNN همراه با رها کردن
Lab: Image Classification with a DNN Model with Dropout
-
راه حل آزمایشگاهی: DNN با لایه Dropout برای طبقه بندی تصویر
Lab Solution:DNNs with Dropout Layer for Image Classification
شبکه های عصبی کانولوشن (CNN)
Convolutional Neural Networks (CNNs)
-
مقدمه
Introduction
-
درک همگرایی ها
Understanding Convolutions
-
پارامترهای مدل CNN
CNN Model Parameters
-
کار با لایه های استخر
Working with Pooling Layers
-
اجرای CNN با TensorFlow
Implementing CNNs with TensorFlow
-
Intro Lab: ایجاد یک طبقه بندی کننده تصویر با یک شبکه عصبی Convolutional
Lab Intro:Creating an Image Classifier with a Convolutional Neural Network
-
آزمایشگاه: طبقه بندی تصویر با مدل CNN
Lab: Image Classification with a CNN Model
-
راه حل آزمایشگاهی: ایجاد یک طبقه بندی کننده تصویر با یک شبکه عصبی Convolutional
Lab Solution:Creating an Image Classifier with a Convolutional Neural Network
مقابله با کمبود داده
Dealing with Data Scarcity
-
مشکل کمبود داده
The Data Scarcity Problem
-
افزایش داده ها
Data Augmentation
-
مقدمه آزمایشگاه: پیاده سازی افزایش تصویر
Lab Intro:Implementing image augmentation
-
آزمایشگاه: افزایش تصویر در TensorFlow
Lab: Image Augmentation in TensorFlow
-
راه حل آزمایشگاهی: پیاده سازی افزایش تصویر
Lab Solution:Implementing image augmentation
-
انتقال یادگیری
Transfer Learning
-
معرفی آزمایشگاه: پیاده سازی یادگیری انتقال
Lab Intro:Implementing Transfer Learning
-
آموزش طبقه بندی تصویر با Inception v3
Image Classification Transfer Learning with Inception v3
-
راه حل آزمایشگاهی: پیاده سازی یادگیری انتقال
Lab Solution:Implementing Transfer Learning
-
بدون داده ، بدون مشکل
No Data, No Problem
عمیق تر رفتن
Going Deeper Faster
-
مقدمه
Introduction
-
عادی سازی دسته ای
Batch Normalization
-
شبکه های باقیمانده
Residual Networks
-
شتاب دهنده ها (CPU در مقابل GPU ، TPU)
Accelerators (CPU vs GPU, TPU)
-
برآوردگر TPU
TPU Estimator
-
نسخه ی نمایشی: برآوردگر TPU
Demo:TPU Estimator
-
جستجوی معماری عصبی
Neural Architecture Search
-
خلاصه
Summary
مدل های ML از قبل ساخته شده برای طبقه بندی تصویر
Pre-built ML Models for Image Classification
-
مقدمه
Introduction
-
مدل های ML از پیش ساخته شده
Pre-built ML Models
-
Cloud Vision API
Cloud Vision API
-
نسخه ی نمایشی: Vision API
Demo:Vision API
-
AutoML Vision
AutoML Vision
-
نسخه ی نمایشی: AutoML
Demo:AutoML
-
AutoML Architecture
AutoML Architecture
-
Intro Lab: آموزش با مدل های ML از پیش ساخته شده با استفاده از Cloud Vision API و AutoML
Lab Intro:Training with Pre-built ML Models using Cloud Vision API and AutoML
-
آزمایشگاه: آموزش با مدلهای ML از قبل ساخته شده با استفاده از Cloud Vision API و AutoML
Lab: Training with Pre-built ML Models using Cloud Vision API and AutoML
-
راه حل آزمایشگاهی: آموزش با مدلهای ML از قبل ساخته شده با استفاده از Cloud Vision API و AutoML
Lab Solution:Training with Pre-built ML Models using Cloud Vision API and AutoML
خلاصه
Summary
Pluralsight (پلورال سایت)
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
نمایش نظرات