TensorFlow 2.0 عملی پیشرفته

TensorFlow 2.0 Practical Advanced

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Master Tensorflow 2.0، قدرتمندترین کتابخانه یادگیری ماشین Google، با 5 پروژه کاربردی پیشرفته، ساخت، آموزش، آزمایش و استقرار مدل‌های شبکه‌های عصبی مصنوعی پیشرفته (ANN) را با استفاده از TensorFlow 2.0 جدید گوگل بسازید. تئوری و ریاضیات اساسی در پشت شبکه های عصبی متخاصم مولد (GAN) را درک کنید. برای تولید تصاویر جدید با استفاده از Keras API در TF 2.0 از GAN های انقلابی استفاده کنید. تئوری و ریاضیات اساسی پشت رمزگذارهای خودکار و رمزگذارهای خودکار متغیر (VAE) را درک کنید. کدگذارهای خودکار را برای فشرده‌سازی و حذف نویز با استفاده از Keras API در TF 2.0 آموزش و آزمایش کنید. تئوری اساسی و ریاضیات پشت الگوریتم DeepDream را درک کنید. توسعه، آموزش و آزمایش الگوریتم پیشرفته DeepDream برای ایجاد شاهکارهای هنری مبتنی بر هوش مصنوعی با استفاده از Keras API در TF 2.0! درک شهود پشت شبکه های عصبی مکرر حافظه کوتاه مدت (LSTM) (RNNs). شبکه‌های حافظه کوتاه‌مدت (LSTM) را برای تولید متن جدید به سبک شکسپیر با استفاده از Keras API در TF 2.0 آموزش دهید! برای طبقه‌بندی تصاویر جدید با استفاده از TensorFlow 2.0 Hub، یادگیری انتقال را برای انتقال دانش از شبکه‌های MobileNet و ResNet از پیش آموزش دیده اعمال کنید. مدل‌های ANN را توسعه دهید و آنها را در Google's Colab آموزش دهید و در عین حال از قدرت GPU و TPU استفاده کنید. مدل‌های هوش مصنوعی را با استفاده از سرویس TensorFlow 2.0 در عمل پیاده‌سازی کنید. پیش نیازها: رایانه شخصی با اتصال به اینترنت توصیه می شود - دوره عملی Ultimate Tensorflow 2.0

Google اخیراً TensorFlow 2.0 را منتشر کرده است که قدرتمندترین پلتفرم منبع باز گوگل برای ساخت و استقرار مدل های هوش مصنوعی در عمل است. انتشار Tensorflow 2.0 یک پیروزی بزرگ برای توسعه دهندگان و علاقه مندان به هوش مصنوعی است زیرا امکان توسعه تکنیک های هوش مصنوعی فوق العاده پیشرفته را به روشی بسیار آسان تر و سریع تر فراهم می کند.

هدف از این دوره ارائه دانش عملی به دانش آموزان در زمینه ساخت، آموزش، آزمایش و استقرار شبکه های عصبی مصنوعی پیشرفته و مدل های یادگیری عمیق با استفاده از TensorFlow 2.0 و Google Colab است. این دوره پیاده سازی پیشرفته و پیشرفته مدل های هوش مصنوعی در TensorFlow 2.0 مانند DeepDream، AutoEncoders، شبکه های متخاصم مولد (GANs)، آموزش انتقال با استفاده از TensorFlow Hub، حافظه کوتاه مدت بلند مدت (LSTM) شبکه های عصبی تکراری و بسیاری را پوشش می دهد. بیشتر کاربردهای این مدل‌های پیشرفته هوش مصنوعی بی‌پایان است، از جمله تولید عکس‌های واقعی انسانی جدید، ترجمه متن، حذف نویز تصویر، فشرده‌سازی تصویر، ترجمه متن به تصویر، تقسیم‌بندی تصویر، و شرح تصویر.

انتظار می‌رود بخش‌های جهانی هوش مصنوعی و فناوری یادگیری ماشین از 1.4 میلیارد دلار به 8.8 میلیارد دلار تا سال 2022 افزایش یابد و پیش‌بینی می‌شود که بخش فناوری هوش مصنوعی تا سال 2020 حدود 2.3 میلیون شغل ایجاد کند. این فناوری در مقیاس گسترده در حال پیشرفت است و در حال پیشرفت است. تقریباً در هر بخش پذیرفته شده است. این دوره تجربه عملی عملی در آموزش شبکه‌های عصبی مصنوعی پیشرفته با استفاده از مجموعه داده‌های دنیای واقعی با استفاده از TensorFlow 2.0 و Google Colab را برای دانشجویان فراهم می‌کند. این دوره چندین تکنیک را به صورت عملی پوشش می‌دهد، پروژه‌ها شامل موارد زیر است اما محدود به موارد زیر نیست:


  1. برای ایجاد شاهکارهای هنری مبتنی بر هوش مصنوعی، الگوریتم پیشرفته DeepDream را توسعه دهید، آموزش دهید، و آزمایش کنید!


  2. شبکه‌های متخاصم مولد انقلابی معروف به GAN را برای تولید تصاویر کاملاً جدید پیاده‌سازی کنید.


  3. شبکه های حافظه کوتاه مدت (LSTM) را برای تولید متن جدید به سبک شکسپیر ایجاد کنید!


  4. مدل‌های هوش مصنوعی را با استفاده از سرویس TensorFlow 2.0 در عمل اجرا کنید.


  5. از Auto-Encoders برای فشرده سازی و حذف نویز تصویر استفاده کنید.


  6. از انتقال دانش برای انتقال دانش از شبکه های از پیش آموزش دیده برای طبقه بندی تصاویر جدید با استفاده از TensorFlow 2.0 Hub استفاده کنید.


این دوره برای دانش‌آموزانی طراحی شده است که می‌خواهند درک اساسی از نحوه ساخت، آموزش، آزمایش و استقرار مدل‌های پیشرفته در Tensorflow 2.0 به دست آورند. دانش اولیه برنامه نویسی و شبکه های عصبی مصنوعی توصیه می شود. دانش‌آموزانی که در این دوره ثبت‌نام می‌کنند، بر تکنیک‌های هوش مصنوعی پیشرفته و یادگیری عمیق تسلط دارند و می‌توانند مستقیماً از این مهارت‌ها برای حل مشکلات چالش‌برانگیز دنیای واقعی استفاده کنند.


سرفصل ها و درس ها

مقدمه و خلاصه دوره INTRODUCTION AND COURSE OUTLINE

  • معرفی دوره و پیام خوش آمد گویی Course Introduction and Welcome Message

  • بررسی اجمالی دوره Course Overview

  • EXTRA: مسیر یادگیری EXTRA: Learning Path

  • ML، AI و DL ML, AI and DL

  • تصویر بزرگ یادگیری ماشینی Machine Learning Big Picture

  • TF 2.0 و Google Colab نمای کلی TF 2.0 and Google Colab Overview

  • موارد جدید در TensorFlow 2.0 Whats New in TensorFlow 2.0

  • گوگل کولب چیست؟ What is Google Colab

  • نسخه نمایشی Google Colab Google Colab Demo

  • اعدام مشتاق Eager Execution

  • Keras API Keras API

  • مواد را دریافت کنید Get the materials

مروری بر شبکه های عصبی مصنوعی و شبکه های عصبی کانولوشنال REVIEW OF ARTIFICIAL NEURAL NETWORKS AND CONVOLUTIONAL NEURAL NETWORKS

  • ANN و CNN - قسمت 1 ANN and CNN - Part 1

  • ANN و CNN - قسمت 2 ANN and CNN - Part 2

  • ANN و CNN - قسمت 3 ANN and CNN - Part 3

  • ANN و CNN - قسمت 4 ANN and CNN - Part 4

  • ANN و CNN - قسمت 5 ANN and CNN - Part 5

  • ANN و CNN - قسمت 6 ANN and CNN - Part 6

  • ANN و CNN - قسمت 7 ANN and CNN - Part 7

  • ANN و CNN - قسمت 8 ANN and CNN - Part 8

  • پروژه 1 - راه حل قسمت 1 Project 1 - Solution Part 1

  • پروژه 1 - راه حل قسمت 2 Project 1 - Solution Part 2

آموزش انتقال (TF HUB) TRANSFER LEARNING (TF HUB)

  • یادگیری انتقالی چیست؟ What is Transfer learning?

  • فرآیند یادگیری انتقال Transfer Learning Process

  • استراتژی های یادگیری انتقالی Transfer Learning Strategies

  • ImageNet ImageNet

  • پروژه آموزش انتقال 1 - کدگذاری P1 Transfer Learning Project 1 - Coding P1

  • پروژه آموزش انتقال 1 - کدگذاری P2 Transfer Learning Project 1 - Coding P2

  • پروژه آموزش انتقال 1 - کدگذاری P3 Transfer Learning Project 1 - Coding P3

  • پروژه آموزش انتقال 1 - کدگذاری P4 Transfer Learning Project 1 - Coding P4

  • پروژه آموزش انتقال 1 - کدگذاری P5 Transfer Learning Project 1 - Coding P5

  • پروژه آموزش انتقال 2 - کدگذاری P1 Transfer Learning Project 2 - Coding P1

  • پروژه آموزش انتقال 2 - کدگذاری P2 Transfer Learning Project 2 - Coding P2

  • پروژه آموزش انتقال 2 - کدگذاری P3 Transfer Learning Project 2 - Coding P3

AUTOENCODERS AUTOENCODERS

  • رمزگذاری خودکار شهود Autoencoders intuition

  • Autencoders ریاضی Autencoders Math

  • رمزگذارهای خودکار خطی در مقابل PCA Linear Autoencoders vs. PCA

  • برنامه های Autoencoders Autoencoders Applications

  • رمزگذارهای خودکار متغیر (VARS) Variational Autoencoders (VARS)

  • Autoencoders CNN بررسی ابعاد Autoencoders CNN Dimensionality Review

  • Autoencoders Project 1 - کدگذاری P1 Autoencoders Project 1 - Coding P1

  • Autoencoders Project 1 - کدگذاری P2 Autoencoders Project 1 - Coding P2

  • Autoencoders Project 1 - کدگذاری P3 Autoencoders Project 1 - Coding P3

  • Autoencoders Project 1 - کدگذاری P4 Autoencoders Project 1 - Coding P4

  • Autoencoders Project 1 - کدگذاری P5 Autoencoders Project 1 - Coding P5

  • Autoencoders Project 2 - کدگذاری P1 Autoencoders Project 2 - Coding P1

  • Autoencoders Project 2 - کدگذاری P2 Autoencoders Project 2 - Coding P2

رویای عمیق DEEP DREAM

  • رویای عمیق چیست What is Deep Dream

  • DeepDream Algo چگونه کار می کند How does DeepDream Algo work

  • رویای عمیق ساده شده Deep Dream Simpified

  • کدگذاری رویای عمیق P1 Deep Dream Coding P1

  • کدگذاری رویای عمیق P2 Deep Dream Coding P2

  • برنامه نویسی Deep Dream P3 Deep Dream Coding P3

  • کدگذاری رویای عمیق P4 Deep Dream Coding P4

  • کدگذاری رویای عمیق P5 Deep Dream Coding P5

GAN ها GANs

  • شهود GANS GANS intuition

  • شبکه های تبعیض و مولد Discriminator and Generator Networks

  • بیایید Discriminator و Generator را با هم قرار دهیم Let's put the Discriminator and Generator together

  • آزمایشگاه GAN GAN Lab

  • برنامه های GANs GANs applications

  • پروژه GANS 1 P1 GANS Project 1 P1

  • پروژه GANS 1 P2 GANS Project 1 P2

  • پروژه GANS 1 P3 GANS Project 1 P3

  • پروژه GANS 1 P4 GANS Project 1 P4

  • پروژه GANS 1 P5 GANS Project 1 P5

شبکه های عصبی بازگشتی (RNN) و LSTMs RECURRENT NEURAL NETWORKS (RNNs) AND LSTMs

  • شهود شبکه های عصبی مکرر Recurrent Neural Networks Intuition

  • معماری RNN RNN Architecture

  • چه چیزی RNN را بسیار خاص می کند What makes RNN so special

  • ریاضی RNN RNN Math

  • سرگرمی با RNN Fun with RNN

  • مشکل ناپدید شدن گرادیان Vanishing Gradient Problem

  • حافظه کوتاه مدت LSTM Long Short Term Memory LSTM

  • پروژه RNN شماره 1 - قسمت شماره 1 RNN Project #1 - Part #1

  • پروژه RNN شماره 1 - قسمت شماره 2 RNN Project #1 - Part #2

  • پروژه RNN شماره 1 - قسمت شماره 3 RNN Project #1 - Part #3

  • پروژه RNN شماره 1 - قسمت شماره 4 RNN Project #1 - Part #4

TENSORFLOW SERVING و TENSORBOARD TENSORFLOW SERVING AND TENSORBOARD

  • کدگذاری سرویس TF قسمت 1 TF Serving Coding Part 1

  • کدگذاری سرویس TF قسمت 2 TF Serving Coding Part 2

  • کدگذاری سرویس TF قسمت 3 TF Serving Coding Part 3

  • Tensorboard مثال 1 Tensorboard Example 1

  • Tensorboard مثال 2 Tensorboard Example 2

  • استراتژی توزیع شده Distributed Strategy

تبریک میگم!! جایزه خود را فراموش نکنید :) Congratulations!! Don't forget your Prize :)

  • پاداش: نحوه باز کردن حقوق های برتر (آموزش زنده) Bonus: How To UNLOCK Top Salaries (Live Training)

نمایش نظرات

TensorFlow 2.0 عملی پیشرفته
جزییات دوره
12.5 hours
83
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
5,321
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر