آموزش های یودمی
دوبله زبان فارسی

یادگیری عمیق در عمل - بخش 2 - پروژه های یادگیری انتقالی

دوره های آموزشی
دوره های Udemy
  • 4.9 امتیاز (5,254)
  • 03:11:15
  • تعداد بازدید 2
  • 64 ویدئو آموزشی
یادگیری عمیق در عمل - بخش 2 - پروژه های یادگیری انتقالی

✅ سرفصل و جزئیات آموزش

در این دوره شما اپلیکیشن های یادگیری عمیق در سطح تجاری را با شبکه های عصبی پیشرفته در تنسورفلو 2 و کراس توسعه می دهید.

آنچه یاد خواهید گرفت

  • توسعه پروژه های پیچیده یادگیری عمیق با استفاده از یادگیری انتقالی
  • سازماندهی و ساختاردهی موثر پروژه های یادگیری عمیق
  • توسعه کتابخانه های قابل استفاده مجدد برای کاهش زمان توسعه پروژه های یادگیری عمیق
  • درک نحوه انجام آموزش کارآمد پروژه های طبقه بندی با یادگیری انتقالی
  • مقایسه بین مدل های یادگیری عمیق
  • یادگیری مدل های طبقه بندی پیشرفته
  • اجرای آموزش روی ماشین محلی و Google Colab

توضیحات دوره

یادگیری عمیق در عمل - پروژه های یادگیری انتقالی

این دوره شما را با یادگیری انتقالی آشنا می کند و به شما نشان می دهد که چگونه از یادگیری انتقالی در پروژه های واقعی استفاده کنید.

در این دوره، نحوه اجرای آموزش مدل طبقه بندی یادگیری عمیق با استفاده از یادگیری انتقالی را نشان می دهیم.

علاوه بر این، شما یاد می گیرید که چگونه عملکرد یک مدل را با چند کتابخانه از پیش پیکربندی شده ارزیابی کنید که به دست آوردن نتایج و تفسیر آن ها را آسان می کند.

همچنین نوت بوک های آماده استفاده Google Colab را با تمامی کدهای استفاده شده در این دوره ارائه می کنیم.

همان کد را می توان به راحتی برای هر پروژه طبقه بندی به روشی خودکار تطبیق داده و دوباره استفاده کرد.

این دوره برای چه کسانی مناسب است:

  • کسی که مفاهیم یادگیری عمیق را آموخته، اما می خواهد به جنبه های عملی پروژه های یادگیری عمیق تسلط پیدا کند.
  • دانشجویان دکترا و کارشناسی ارشد که در حال تکمیل پایان نامه در مورد یادگیری عمیق هستند.
  • علاقه مندان به هوش مصنوعی و یادگیری عمیق
  • متخصصان بینایی کامپیوتری
  • کسی که مایل است در مورد بهترین شیوه های یادگیری عمیق بیاموزد.
  • کسی که دوست دارد بدون داشتن پیش زمینه، به سرعت با یادگیری عمیق شروع کند.

یادگیری عمیق در عمل - بخش 2 - پروژه های یادگیری انتقالی

  • مقدمه 06:11
  • درباره مدرس 02:13
  • چگونه این دوره را دنبال کنیم؟ 01:06
  • مجموعه داده نوع وسیله نقلیه 04:15
  • شرح مسئله - چرا به یادگیری انتقالی نیاز داریم؟ 01:52
  • یادگیری انتقالی - Big Picture 02:20
  • یادآوری در مورد ساختار معمولی CNN 01:00
  • یادگیری انتقالی در عمل 02:56
  • تنظیم پارامترهای آموزش - Freezing در مقابل Non Freezing 01:30
  • بررسی 01:26
  • خلاصه تست های آموزشی 01:20
  • ایمپورت کتابخانه ها 00:40
  • تنظیم مسیرهای پروژه 03:25
  • بارگذاری و مصورسازی مجموعه داده 03:09
  • تعریف مدل برای آموزش با استفاده از یادگیری انتقالی 03:47
  • تنظیم پارامترهای آموزشی 01:12
  • بارگذاری مدل از پیش آموزش دیده موجود 00:36
  • تعریف توابع callback 01:27
  • تنظیم هایپرپارامترها 02:37
  • تنظیم Optimizer 00:57
  • کامپایل مدل 00:53
  • آموزش مدل 03:32
  • در طول آموزش 02:23
  • ارزیابی سریع پس از آموزش 02:16
  • ایمپورت کتابخانه ها و راه اندازی مسیرها 02:56
  • بارگذاری مجموعه داده اعتبارسنجی و تست 01:41
  • بارگذاری مدل آموزش دیده 02:04
  • ارزیابی مدل 03:28
  • ایجاد دیکشنری کلاسی 02:22
  • پیش بینی کلاس تصویر تست 04:03
  • پیش‌ بینی کلاس تصویری که در مجموعه داده تست نیست (از اینترنت یا دوربین) 01:52
  • چاپ گزارش طبقه بندی 01:17
  • ترسیم تصاویر دارای طبقه بندی اشتباه و بحث 01:57
  • بخش نتایج یادگیری 00:31
  • کاربردهای بینایی کامپیوتری 02:24
  • محدودیت های شبکه های عصبی کاملاً متصل 02:37
  • کانولوشن چیست؟ 04:30
  • مثال های شهودی - فیلتر لبه افقی و فیلتر لبه عمودی 04:14
  • مثال های دیگر از فیلترهای رایج 01:05
  • عملیات کانولوشن با پارامترهای فیلتر قابل یادگیری 01:29
  • Padding 06:35
  • Padding - کانولوشن Same در مقابل کانولوشن Valid 02:50
  • کانولوشن های Strided (یا کانولوشن با Strides) 03:04
  • خلاصه عملیات های کانولوشن 03:39
  • کانولوشن در حجم سه بعدی 02:44
  • یک لایه کانولوشن در حجم سه بعدی 09:40
  • مثال کانولوشن 05:30
  • Pooling 04:35
  • مقدمه 00:33
  • یادآوری 02:46
  • تاریخچه مدل های طبقه بندی و تکامل آن ها 01:08
  • معماری Lenet (1998) 05:58
  • معماری AlexNet (2012) 06:56
  • ZFNet (2013) 01:07
  • VGG-16 (2014) 02:55
  • GoogleNet/Inception (2014) - بررسی 01:08
  • GoogleNet/Inception (2014) - عملگر کانولوشن 1x1 02:40
  • GoogleNet/Inception (2014) - ماژول Inception 03:34
  • GoogleNet/Inception (2014) - بررسی Pooling میانگین جهانی 02:16
  • ResNet (2015) 09:21
  • مقایسه 02:56
  • EfficientNet (2019) 16:37

2,801,000 ریال 27$

مشخصات آموزش

یادگیری عمیق در عمل - بخش 2 - پروژه های یادگیری انتقالی

  • سطح دوره:مقدماتی
  • تعداد درس:64
  • مدت زمان :03:11:15
  • حجم :1.13GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی: دوره های Udemy
  • تعداد بازدید: 2

آموزش های مرتبط

آموزش های یودمی

1,877,000 ریال

  • زمان: 02:08:55
  • تعداد درس: 11
  • سطح دوره:
  • زبان: دوبله فارسی
آموزش های یودمی

850,000 ریال

  • زمان: 58:29
  • تعداد درس: 11
  • سطح دوره:
  • زبان: دوبله فارسی
آموزش های یودمی

1,628,000 ریال

  • زمان: 01:51:51
  • تعداد درس: 35
  • سطح دوره:
  • زبان: دوبله فارسی
آموزش های یودمی

733,000 ریال

  • زمان: 50:14
  • تعداد درس: 9
  • سطح دوره:
  • زبان: دوبله فارسی
آموزش های یودمی

1,672,000 ریال

  • زمان: 01:54:29
  • تعداد درس: 13
  • سطح دوره:
  • زبان: دوبله فارسی
آموزش های یودمی

5,397,000 ریال

  • زمان: 06:08:32
  • تعداد درس: 5
  • سطح دوره:
  • زبان: دوبله فارسی
آموزش های یودمی

1,657,000 ریال

  • زمان: 01:53:24
  • تعداد درس: 43
  • سطح دوره:
  • زبان: دوبله فارسی
آموزش های یودمی

9,900,000 ریال

  • زمان: 11:15:49
  • تعداد درس: 128
  • سطح دوره:
  • زبان: دوبله فارسی
آموزش های یودمی

3,916,000 ریال

  • زمان: 04:27:00
  • تعداد درس: 56
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید