آموزش ساخت شبکه های عصبی با یادگیری اسکی

Building Neural Networks with scikit-learn

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: این دوره تمام جنبه‌های مهم پشتیبانی موجود در Sicit-Learn برای ساخت و آموزش شبکه‌های عصبی، از جمله پرسپترون، MLPClassifier، و MLPRregressor، و همچنین ماشین‌های محدود بولتزمن را پوشش می‌دهد. حتی تعداد چارچوب‌ها و کتابخانه‌های یادگیری ماشین. به طور روزانه افزایش می یابد، scikit-learn به راحتی محبوبیت خود را حفظ می کند. یکی از حوزه‌هایی که در آن یادگیری Sicit به طور مشخص پشت چارچوب‌های رقیب قرار دارد، ساخت شبکه‌های عصبی برای یادگیری عمیق است. در این دوره آموزشی، ساخت شبکه‌های عصبی با یادگیری scikit، شما این توانایی را به دست خواهید آورد که بهترین پشتیبانی را که scikit-learn برای یادگیری عمیق ارائه می‌دهد، به دست آورید. ابتدا، دقیقاً یاد می‌گیرید که چه شکاف‌هایی در پشتیبانی Sicit-Learn از شبکه‌های عصبی وجود دارد، و همچنین نحوه استفاده از ساختارهایی مانند پرسپترون و پرسپترون‌های چندلایه که در Sicit-Learn در دسترس هستند. در مرحله بعد، متوجه خواهید شد که چگونه پرسپترون‌ها فقط نورون‌هایی با فعال‌سازی مرحله‌ای هستند، و پرسپترون‌های چندلایه به طور موثر شبکه‌های عصبی پیش‌خور هستند. سپس، از اشیاء تخمین‌گر scikit-learn برای شبکه‌های عصبی برای ساخت مدل‌های رگرسیون و طبقه‌بندی، کار با داده‌های عددی، متنی و تصویری استفاده می‌کنید. در نهایت، شما از ماشین‌های محدود بولتزمن برای کاهش ابعاد روی داده‌ها قبل از وارد کردن آن به مدل یادگیری ماشین استفاده خواهید کرد. وقتی این دوره را به پایان رساندید، مهارت ها و دانش لازم را خواهید داشت تا از تک تک پشتیبانی هایی که Sicit-learn در حال حاضر برای ساخت شبکه های عصبی ارائه می دهد، استفاده کنید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

معرفی شبکه های عصبی در یادگیری اسکی Introducing Neural Networks in scikit-learn

  • بررسی نسخه Version Check

  • نمای کلی ماژول Module Overview

  • پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

  • پشتیبانی از شبکه های عصبی در Sicit-Learn Support for Neural Networks in scikit-learn

  • پرسپترون ها و نورون ها Perceptrons and Neurons

  • پرسپترون های چند لایه و شبکه های عصبی Multi-layer Perceptrons and Neural Networks

  • آموزش شبکه عصبی Training a Neural Network

  • Overfitting و Underfitting Overfitting and Underfitting

  • خلاصه ماژول Module Summary

پیاده‌سازی رگرسیون و طبقه‌بندی با استفاده از شبکه‌های عصبی در یادگیری اسکی Implementing Regression and Classification Using Neural Networks in scikit-learn

  • نمای کلی ماژول Module Overview

  • انجام رگرسیون با استفاده از شبکه های عصبی Performing Regression Using Neural Networks

  • کاوش و آماده سازی مجموعه داده های رژیم غذایی برای رگرسیون Exploring and Preparing the Diet Dataset for Regression

  • ساخت و آموزش یک شبکه عصبی با استفاده از MLPRregressor Build and Train a Neural Network Using the MLPRegressor

  • انجام طبقه بندی با استفاده از شبکه های عصبی Performing Classification Using Neural Networks

  • کاوش و آماده سازی مجموعه داده های ستون فقرات برای طبقه بندی Exploring and Preparing the Spine Dataset for Classification

  • ساخت و آموزش یک شبکه عصبی با استفاده از MLPClassifier Build and Train a Neural Network Using the MLPClassifier

  • خلاصه ماژول Module Summary

پیاده‌سازی طبقه‌بندی متن و تصویر با استفاده از شبکه‌های عصبی در یادگیری اسکی Implementing Text and Image Classification Using Neural Networks in scikit-learn

  • نمای کلی ماژول Module Overview

  • رمزگذاری متن به شکل عددی Encoding Text in Numeric Form

  • بارگیری و کاوش مجموعه داده های گروه خبری Loading and Exploring the Newsgroup Dataset

  • ایجاد بردارهای ویژگی از داده های متنی با استفاده از Tf-Idf Creating Feature Vectors from Text Data Using Tf-Idf

  • ساخت و آموزش یک مدل طبقه بندی بر روی داده های متنی Building and Training a Classification Model on Text Data

  • رمزگذاری تصاویر به شکل عددی Encoding Images in Numeric Form

  • بارگیری و تجسم مجموعه داده تصویر Lego Bricks Loading and Visualizing the Lego Bricks Image Dataset

  • ساخت و آموزش یک مدل طبقه بندی بر روی داده های تصویری Building and Training a Classification Model on Image Data

  • خلاصه ماژول Module Summary

پیاده سازی کاهش ابعاد با استفاده از ماشین های محدود شده بولتزمن در یادگیری اسکی Implementing Dimensionality Reduction Using Restricted Boltzmann Machines in scikit-learn

  • نمای کلی ماژول Module Overview

  • ماشین های محدود بولتزمن برای کاهش ابعاد Restricted Boltzmann Machines for Dimensionality Reduction

  • تاریخچه مختصری از ماشین های محدود بولتزمن A Brief History of Restricted Boltzmann Machines

  • آموزش یک طبقه بندی کننده در مورد تمام ویژگی های داده های ورودی Training a Classifier on All Features of the Input Data

  • کاهش ابعاد با استفاده از ماشین های محدود بولتزمن Dimensionality Reduction Using Restricted Boltzmann Machines

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

نظری ارسال نشده است.

آموزش ساخت شبکه های عصبی با یادگیری اسکی
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
1h 56m
33
Pluralsight (پلورال سایت) pluralsight-small
28 مرداد 1398 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
12
4.2 از 5
دارد
دارد
دارد
Janani Ravi

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.

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.