آموزش عمیق با PyTorch [ویدئو]

Deep Learning with PyTorch [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره ویدیویی شما را با یکی از پیشرفته ترین کتابخانه های یادگیری عمیق آشنا می کند: PyTorch. PyTorch که در پایتون نوشته شده است، به دلیل سهولت استفاده از سایر کتابخانه ها و استفاده از نمودارهای محاسباتی پویا، توجه همه متخصصان علم داده را به خود جلب کرده است. در این دوره آموزشی، نحوه انجام وظایف مفید با استفاده از شبکه های عصبی کانولوشن برای پردازش داده های فضایی مانند تصاویر و استفاده از شبکه های عصبی تکراری برای پردازش داده های متوالی مانند متون را یاد خواهید گرفت. شما نحوه استفاده از داده های بدون برچسب را با استفاده از رمزگذارهای خودکار کشف خواهید کرد. شما همچنین یک شبکه عصبی را آموزش خواهید داد تا یاد بگیرید چگونه یک قطب را به تنهایی با استفاده از یادگیری تقویتی متعادل کنید. در طول این سفر، مکانیسم های مختلفی از چارچوب PyTorch را برای انجام این وظایف پیاده سازی خواهید کرد. در پایان دوره ویدیویی، درک خوبی از الگوریتم‌ها و تکنیک‌های استفاده شده به دست خواهید آورد. شما دانش خوبی از نحوه عملکرد PyTorch و نحوه استفاده از آن برای حل مشکلات یادگیری ماشین روزانه خود خواهید داشت. تمام کدها و فایل های پشتیبانی این دوره در GitHub در https://github.com/PacktPublishing/Deep-learning-with-PyTorch-video موجود است. این دوره از Python 3.6 و PyTorch 0.3 استفاده می کند، در حالی که آخرین نسخه موجود نیست، محتوای مرتبط و آموزنده را برای کاربران قدیمی Python و PyTorch ارائه می دهد. مفاهیم PyTorch و Deep Learning را درک کنید شبکه عصبی خود را با استفاده از تکنیک های یادگیری عمیق در PyTorch بسازید. با استفاده از تانسورها و متغیرها، عملیات اساسی را روی مجموعه داده خود انجام دهید ساخت شبکه های عصبی مصنوعی در پایتون با شتاب GPU ببینید CNN چگونه در PyTorch با یک مثال ساده بینایی کامپیوتری کار می کند مدل RNN خود را از ابتدا برای تولید متن آموزش دهید از رمزگذارهای خودکار در PyTorch برای حذف نویز از تصاویر استفاده کنید آموزش تقویتی را برای حل تکلیف Cartpole OpenAI انجام دهید دانش خود را در مورد یادگیری عمیق با استفاده از PyTorch گسترش دهید تا مشکلات یادگیری ماشین خود را حل کنید این دوره برای برنامه نویسان Python است که دانش یادگیری ماشینی دارند و می خواهند سیستم های یادگیری عمیق را با PyTorch بسازند. دانش برنامه نویسی پایتون و حداقل مهارت های ریاضی (دستکاری ماتریس/بردار، احتمالات ساده) فرض شده است. PyTorch و تأثیر آن بر یادگیری عمیق را کاوش کنید طراحی و پیاده سازی شبکه های عصبی قدرتمند برای حل برخی از مشکلات چشمگیر به صورت گام به گام برای حل موارد استفاده مشابه خارج از این دوره، مثال ها را دنبال کنید

سرفصل ها و درس ها

شروع با PyTorch Getting Started With PyTorch

  • بررسی اجمالی دوره The Course Overview

  • مقدمه ای بر PyTorch Introduction to PyTorch

  • نصب PyTorch در لینوکس و ویندوز Installing PyTorch on Linux and Windows

  • نصب CUDA Installing CUDA

  • مقدمه ای بر تانسورها و متغیرها Introduction to Tensors and Variables

  • کار با PyTorch و NumPy Working with PyTorch and NumPy

  • کار با PyTorch و GPU Working with PyTorch and GPU

  • مدیریت مجموعه داده ها در PyTorch Handling Datasets in PyTorch

  • یادگیری عمیق با استفاده از PyTorch Deep Learning Using PyTorch

آموزش اولین شبکه عصبی Training Your First Neural Network

  • ساخت یک شبکه عصبی ساده Building a Simple Neural Network

  • توابع از دست دادن در PyTorch Loss Functions in PyTorch

  • بهینه سازها در PyTorch Optimizers in PyTorch

  • آموزش شبکه عصبی Training the Neural Network

  • ذخیره و بارگذاری یک شبکه عصبی آموزش دیده Saving and Loading a Trained Neural Network

  • آموزش شبکه عصبی روی یک GPU Training the Neural Network on a GPU

Computer Vision - CNN برای تشخیص ارقام Computer Vision – CNN for Digits Recognition

  • انگیزه بینایی کامپیوتری Computer Vision Motivation

  • شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • عملیات پیچیدگی The Convolution Operation

  • مفاهیم - گام‌ها، بالشتک‌ها و ادغام Concepts - Strides, Padding, and Pooling

  • بارگیری و استفاده از مجموعه داده های MNIST Loading and Using MNIST Dataset

  • ساخت مدل Building the Model

  • آموزش و تست Training and Testing

مدل‌های دنباله‌ای – RNN برای تولید متن Sequence Models – RNN for Text Generation

  • مدل های دنباله انگیز انگیزه Sequence Models Motivation

  • جاسازی کلمه Word Embedding

  • شبکه های عصبی مکرر Recurrent Neural Networks

  • ساخت یک مدل تولید متن در PyTorch Building a Text Generation Model in PyTorch

  • آموزش و تست Training and Testing

رمزگذار خودکار - حذف نویز تصاویر Autoencoder - Denoising Images

  • انگیزه رمزگذارهای خودکار Autoencoders Motivation

  • رمزگذارهای خودکار چگونه کار می کنند How Autoencoders Work

  • انواع رمزگذارهای خودکار Types of Autoencoders

  • ساخت رمزگذار خودکار حذف نویز با استفاده از PyTorch Building Denoising Autoencoder Using PyTorch

  • آموزش و تست Training and Testing

یادگیری تقویتی – تعادل Cartpole با استفاده از DQN Reinforcement Learning – Balance Cartpole Using DQN

  • تقویت انگیزه یادگیری Reinforcement Learning Motivation

  • مفاهیم یادگیری تقویتی Reinforcement Learning Concepts

  • DQN، بازپخش را تجربه کنید DQN, Experience Replay

  • محیط بدنسازی OpenAI The OpenAI Gym Environment

  • ساخت عامل Cartpole با استفاده از DQN Building the Cartpole Agent Using DQN

  • آموزش و تست Training and Testing

نمایش نظرات

آموزش عمیق با PyTorch [ویدئو]
جزییات دوره
4 h 42 m
38
Packtpub Packtpub
(آخرین آپدیت)
2
5 از 5
ندارد
دارد
دارد
Anand Saha
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Anand Saha Anand Saha

آناند ساها یک نرم افزار حرفه ای با 15 سال تجربه در توسعه محصولات و خدمات سازمانی است. در سال 2007، او با یادگیری ماشینی برای پیش‌بینی الگوهای تماس در TATA Communications کار کرد. در سیمانتک و وریتاس، او روی ویژگی‌های مختلف یک محصول پشتیبان سازمانی که توسط شرکت‌های Fortune 500 استفاده می‌شود، کار کرد. در طول مسیر، او با شرکت در Coursera و Udacity MOOC علایق خود را در یادگیری عمیق پرورش داد. او علاقه زیادی به یادگیری عمیق و کاربردهای آن دارد. به طوری که در ابتدای سال 2017 از Veritas خارج شد تا تمام وقت خود را بر روی تمرینات یادگیری عمیق متمرکز کند. آناند خطوط لوله ای برای شناسایی و شمارش گونه های در حال انقراض از تصاویر هوایی ساخت، یک بازوی روباتیک را برای انتخاب و قرار دادن اشیا آموزش داد و کاغذهای NIPS را پیاده سازی کرد. علایق او در بینایی کامپیوتر و بهینه سازی مدل نهفته است.