تسلط به یادگیری عمیق با Tensorflow و Keras - سال 2023
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- یادگیری عمیق
- Tensorflow
- Keras
- اتوانکدر
- شبکههای عصبی پیچشی (CNN)
- شبکههای عصبی بازگشتی (RNN)
- LSTM (حافظه بلند-کوتاه)
- واحد بازگشتی دروازهای (GRU)
- Keras Callbacks و Checkpoints و توقف زودهنگام
- شبکههای مولد رقابتی (GANs)
- لایههای پیشپردازش Keras
- افزایش داده
- ژنراتورهای تصویر و داده
- جایگذاری کلمات
- طبقهبندی متن
- طبقهبندی برچسبهای تصویر
- تولید توضیحات تصویر
- یادگیری انتقالی
توضیحات دوره
شغل دانشمند داده به عنوان بهترین شغل در Glassdoor رتبهبندی شده است و میانگین حقوق یک دانشمند داده در ایالات متحده بر اساس اطلاعات Indeed بیش از 120,000 دلار است! علم داده شغل پرباری است که به شما اجازه میدهد تا برخی از جالبترین مسائل دنیا را حل کنید!
این دوره برای متخصصان یادگیری ماشین طراحی شده است که میخواهند مهارتهای خود را تقویت کرده و در مسیر خود پیشرفت کنند.
این دوره به گونهای طراحی شده تا تمام دانش لازم را در ابتدای مسیر شما ارائه دهد، بنابراین نیازی به بازگشت و بررسی مجدد موضوعات در منابع دیگر نخواهید داشت. این دوره مقصد نهایی برای تمام دانش، نکات و ترفندهایی است که برای کار در حوزه یادگیری عمیق نیاز خواهید داشت.
این برنامه راهنمای مفصلی از Tensorflow و Keras به همراه دانش عمیق از الگوریتمهای یادگیری عمیق را ارائه میدهد. تمام الگوریتمها به دقت توضیح داده شدهاند تا یادگیرنده درک خوبی از مفاهیم پیدا کند. شخص باید درک روشنی از آنچه در پشت صحنه برای تبدیل یک مدل خوب به یک مدل عالی انجام میشود، داشته باشد. این دوره به شما امکان میدهد تا با سهولت، معماریهای پیچیده یادگیری عمیق را توسعه دهید و با چندین نکته و ترفند عملکرد مدل خود را بهبود ببخشید.
الگوریتمهای یادگیری عمیق پوشش داده شده:
- شبکههای پیشخور (FFN)
- شبکههای عصبی پیچشی (CNN)
- شبکههای عصبی تکراری (RNN)
- شبکههای حافظه بلند-کوتاه (LSTM)
- واحد بازگشتی دروازهای (GRU)
- اتوانکدرها
- یادگیری انتقالی
- شبکههای تولیدی رقابتی (GANs)
سفر عجیب و غریبی ما شامل مفاهیم زیر خواهد بود:
- مهمترین مفاهیم Tensorflow و Keras از ابتداییترین سطح
- دو روش برای ساخت مدل، یعنی Sequential و Functional API
- تمام اجزای ساخت مدلهای یادگیری عمیق به طور مفصل توضیح داده شدهاند تا به دانشجویان کمک کند در حین آموزش مدل خود تصمیم درست بگیرند و عملکرد مدل را بهبود ببخشند.
- یادگیری عملی الگوریتمهای یادگیری عمیق از سطح مبتدی تا هر کسی قادر به ساخت معماریهای مدل ساده تا پیچیده با رویکرد و دیدگاه واضح حل مسئله باشد.
- تمام مفاهیمی که برای چرخه ساخت مدل و رویکرد حل مسئله نیاز دارید.
- افزایش داده و تولید با استفاده از لایههای پیشپردازش Keras و ژنراتورها با تمام نکات و ترفندهای واقعی برای ارائه برتری به شما در مقایسه با کسانی که فقط با دانش ابتدایی آشنا هستند.
- تمرینات عملی با مقادیر زیادی داده برای شروع سریع و یادگیری در کار با داده و مسائل مختلف
- تکالیف با تشریح و راهحلهای مفصل پس از هر موضوع که به شما این امکان را میدهد که در حین یادگیری خود را ارزیابی کرده و بهبود ببخشید.
- پروژه سطح پیشرفته برای تست مهارتهای شما
در این سفر شگفتانگیز با ما به تسلط به یادگیری عمیق بپردازید! در دوره منتظر شما خواهیم بود!
این دوره برای چه کسانی مناسب است؟
- متخصصان مبتدی یادگیری ماشین که مایل هستند یادگیری عمیق را بیاموزند.
- توسعهدهندگان پایتون با دانش اولیه از ML
- متخصصان یادگیری عمیق که به دنبال استفاده از Tensorflow و Keras هستند.
- هر کس که میخواهد در مورد الگوریتمهای یادگیری عمیق بیاموزد.
تسلط به یادگیری عمیق با Tensorflow و Keras - سال 2023
-
مقدمه دوره 06:58
-
آشنایی با Tensorflow و Keras 07:15
-
راهاندازی Google Collab 07:19
-
درک Tensors Intuition 07:16
-
05 کد کردن Tensors 26:30
-
مبانی کد Tensors 31:33
-
متغیرهای Tensorflow 18:24
-
تمرین و راهحلهای مربوط به Tensors و متغیرها 25:07
-
اجرای مشتاقانه در مقابل گراف 07:40
-
دکوراتور Tf_function 17:09
-
درک شبکههای عصبی 08:55
-
شبکههای عصبی 46:30
-
رویکرد به مسائل یادگیری عمیق 07:13
-
چرخه عمر مدل در 5 مرحله 05:14
-
API Sequntial در مقابل Functional 14:13
-
Sequential API 58:23
-
Functional API 24:40
-
مسئله ML_هزینه_شیب_CV 28:03
-
توابع فعالسازی 24:46
-
بهینهسازها 36:48
-
توابع هزینه 17:52
-
معیارهای عملکرد 02:11
-
نکته برای بهبود عملکرد مدل 24:18
-
پیادهسازی شبکه پیشخور و Callback های Keras 56:15
-
آشنایی با CNN 39:05
-
26 پیادهسازی CNN 47:32
-
مشکل تمرین CNN -2 01:01
-
راهحل تمرین CNN -2 36:21
-
مشکل تمرین CNN -3 00:32
-
راهحل تمرین CNN -3 16:33
-
آشنایی با لایههای پیشپردازش Keras 10:23
-
کد افزایش داده تصویر با لایههای پیشپردازش Keras 28:18
-
کد پیشپردازش متن با لایههای پیشپردازش Keras 37:17
-
تمرین لایههای پیشپردازش Keras 00:35
-
راهحل لایههای پیشپردازش Keras 09:24
-
یادگیری انتقالی 15:29
-
کد یادگیری انتقالی 56:53
-
تمرین یادگیری انتقالی با مجموعه داده Xray 00:53
-
راهحل یادگیری انتقالی با مجموعه داده Xray 25:12
-
توضیح RNN 33:30
-
توضیح LSTM و GRU 17:01
-
سریهای زمانی یکمتغیره RNN LSTM 39:32
-
سریهای زمانی چندمتغیره RNN LSTM 33:57
-
نوع جایگذاری متنی 20:13
-
ایمپورت کردن جایگذاری متنی 40:16
-
جایگذاری متن RNN LSTM برای طبقهبندی 40:41
-
اتوانکدر 16:32
-
کاهش بعد با استفاده از اتوانکدر 34:19
-
تمرین شناسایی ناهنجاری با اتوانکدر 02:16
-
راه حل شناسایی ناهنجاری با اتوانکدر 26:59
-
معرفی GANs 15:12
-
کامپوننت های GANs 15:56
-
آموزش GANs 18:27
-
مزایا و معایب کاربردهای GANs 09:23
-
پیادهسازی GANs 47:55
-
مشکل پروژه توصیف تصویر 07:15
-
پروژه راهحل توصیف تصویر - قسمت 1 24:43
-
پروژه راهحل توصیف تصویر - قسمت 2 39:38
-
پروژه راهحل توصیف تصویر - قسمت 3 25:37
مشخصات آموزش
تسلط به یادگیری عمیق با Tensorflow و Keras - سال 2023
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:همه سطوح
- تعداد درس:59
- مدت زمان :22:25:25
- حجم :7.1GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy