دوره آموزشی

دوبله زبان فارسی

به یک توسعه‌دهنده حرفه‌ای دارای گواهینامه تنسورفلو تبدیل شوید

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

درک اصول یادگیری عمیق
ساختاردهی سه مدل مختلف یادگیری عمیق با تنسورفلو و کراس
طبقه‌بندی تصاویر با شبکه‌های عصبی کانولوشن (CNN) در تنسورفلو
اعمال افزایش تصویر و یادگیری انتقالی برای بهبود عملکرد مدل
استفاده از استراتژی‌هایی برای جلوگیری از بیش‌برازش، از جمله افزایش و Dropout
پردازش متن از طریق توکن‌سازی و نمایش برداری جمله
اعمال شبکه‌های عصبی بازگشتی (RNN)، واحدهای بازگشتی دروازه‌ای (GRU) و شبکه‌های حافظه طولانی کوتاه مدت (LSTM) برای تسک‌های پردازش زبان طبیعی (NLP)
ساخت مدل‌های مبتنی بر دستگاه با تنسورفلو لایت

پیش‌نیازهای دوره

دانش اولیه برنامه‌نویسی توصیه می‌شود.
کمی تجربه در یادگیری ماشین نیز ترجیح داده می‌شود، اما الزامی نیست.

توضیحات دوره

در این دوره، شما همه چیزهایی که برای تسلط به گواهینامه توسعه‌دهنده تنسورفلو نیاز دارید را یاد خواهید گرفت.

ما با مطالعه عمیق یادگیری عمیق شروع می‌کنیم تا بتوانید درک کنید شبکه‌های عصبی مصنوعی چگونه کار می‌کنند و یاد می‌گیرند. در حالی که نظریه یادگیری عمیق را پوشش می‌دهیم، سه مدل مختلف یادگیری عمیق را در تنسورفلو و کراس، از ابتدا به صورت گام‌به‌گام با هم می‌سازیم و هر خط کد را با هم می‌نویسیم.

سپس به بینایی کامپیوتر خواهیم پرداخت، جایی که شما یاد خواهید گرفت چگونه تصاویر را با کانولوشن‌ها با تنسورفلو طبقه‌بندی کنید. شما همچنین برخی تکنیک‌ها مانند افزایش تصویر و یادگیری انتقالی را خواهید آموخت تا عملکرد بیشتری در تسک‌های بینایی کامپیوتر خود دریافت کنید. ما همه این‌ها را بر روی داده تصویری واقعی تمرین خواهیم کرد، در حالی که استراتژی‌هایی را برای جلوگیری از بیش‌برازش، از جمله افزایش و Dropout بررسی می‌کنیم.

سپس، شما یاد خواهید گرفت چگونه از جاوا اسکریپت استفاده کنید تا بتوانید آموزش و استنتاج را در یک مرورگر انجام دهید، داده را در یک مرورگر مدیریت کنید و حتی یک مدل طبقه‌بندی و شناسایی اشیا با یک وب‌کم را بسازید.

سپس یاد خواهید گرفت چگونه پردازش زبان طبیعی را با تنسورفلو انجام دهید. در اینجا ما سیستم‌های پردازش زبان طبیعی را می‌سازیم، متن را پردازش می‌کنیم که شامل توکن‌سازی و نمایش جملات به عنوان بردارها است، شبکه‌های عصبی بازگشتی، واحدهای بازگشتی دروازه‌ای و حافظه‌های طولانی کوتاه مدت را در تنسورفلو اعمال می‌کنیم و حافظه‌های طولانی کوتاه مدت را بر روی متن موجود آموزش می‌دهیم تا شعرهای بدیع و موارد دیگری را ایجاد کنیم.

در نهایت، شما همچنین یاد خواهید گرفت چگونه مدل‌های مبتنی بر دستگاه را با تنسورفلو لایت بسازید. در این بخش آخر، ما مدل‌ها را برای دستگاه‌های مبتنی بر باتری آماده کرده، مدل‌ها را در پلتفرم‌های اندروید و iOS اجرا کرده و مدل‌ها را روی سیستم‌های تعبیه شده مانند Raspberry Pi و میکروکنترلرها مستقر می‌کنیم.

این دوره برای چه کسانی مناسب است؟

دانشمندان داده که به سادگی می‌خواهند یاد بگیرند چگونه از تنسورفلو در سطح پیشرفته استفاده کنند.
دانشمندان داده که می‌خواهند در آزمون گواهینامه توسعه‌دهنده تنسورفلو قبول شوند.
کارشناسان هوش مصنوعی که می‌خواهند مدل‌های هوش مصنوعی قدرتمندتری با تنسورفلو بسازند.
علاقه‌مندان به فناوری که به هوش مصنوعی علاقمند هستند و می‌خواهند تجربه عملی واقعی با تنسورفلو کسب کنند.

به یک توسعه‌دهنده حرفه‌ای دارای گواهینامه تنسورفلو تبدیل شوید

فصل 1: بخش 0: آشنایی با دوره

مقدمه‌ای بر دوره 04:30

فصل 2: بخش 1: شبکه‌های عصبی مصنوعی

مقدمه 01:33
برنامه عملیاتی 02:51
عملکرد نورون انسانی 16:15
شبکه‌های عصبی چگونه کار می‌کنند؟ 12:47
تابع فعال‌سازی 08:29
شبکه‌های عصبی چگونه یاد می‌گیرند؟ 12:58
گرادیان کاهشی 10:12
گرادیان کاهشی تصادفی 08:44
پس‌انتشار 05:21
ساخت یک شبکه عصبی مصنوعی با تنسورفلو در 5 گام از ابتدا - گام 1 10:21
ساخت یک شبکه عصبی مصنوعی با تنسورفلو در 5 گام از ابتدا - گام 2 18:36
ساخت یک شبکه عصبی مصنوعی با تنسورفلو در 5 گام از ابتدا - گام 3 14:28
ساخت یک شبکه عصبی مصنوعی با تنسورفلو در 5 گام از ابتدا - گام 4 11:58
ساخت یک شبکه عصبی مصنوعی با تنسورفلو در 5 گام از ابتدا - گام 5 16:25

فصل 3: بخش 2: شبکه‌های عصبی کانولوشن

مقدمه 01:17
برنامه عملیاتی 03:31
شبکه‌های عصبی کانولوشن چه هستند؟ 15:49
گام 1: عملیات کانولوشن 16:38
گام 1 (قسمت B): لایه ReLU 06:41
گام 2: پولینگ 14:13
گام 3: تخت کردن 01:52
گام 4: اتصال کامل 19:24
خلاصه 04:19
تابع فعال‌سازی Softmax و تابع زیان آنتروپی متقاطع 18:20
ساخت یک شبکه عصبی کانولوشن با تنسورفلو در 5 گام از ابتدا - گام 1 11:35
ساخت یک شبکه عصبی کانولوشن با تنسورفلو در 5 گام از ابتدا - گام 2 17:46
ساخت یک شبکه عصبی کانولوشن با تنسورفلو در 5 گام از ابتدا - گام 3 17:56
ساخت یک شبکه عصبی کانولوشن با تنسورفلو در 5 گام از ابتدا - گام 4 07:21
ساخت یک شبکه عصبی کانولوشن با تنسورفلو در 5 گام از ابتدا - گام 5 14:55
نما 23:38

فصل 4: بخش 3: شبکه‌های عصبی بازگشتی

مقدمه 01:22
برنامه عملیاتی 02:32
شبکه‌های عصبی بازگشتی 16:01
مسئله گرادیان محوشونده 14:27
حافظه‌های طولانی کوتاه مدت (LSTM) و اینکه چگونه کار می‌کنند 19:47
شهود عملی 15:11
تنوع حافظه‌های طولانی کوتاه مدت 03:36
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 1 06:29
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 2 07:04
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 3 05:57
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 4 14:23
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 5 10:40
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 6 02:50
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 7 08:42
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 8 05:20
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 9 03:20
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 10 04:21
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 11 10:31
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 12 05:22
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 13 16:50
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 14 08:15
ساخت یک شبکه عصبی بازگشتی با تنسورفلو در 15 گام از ابتدا - گام 15 09:36

فصل 5: بخش 4: آشنایی با بینایی کامپیوتر

مقدمه 01:23
آشنایی با بینایی کامپیوتر 06:06
کدنویسی بارگذاری داده آموزش برای یک تسک بینایی کامپیوتر 04:32
کدنویسی اولین شبکه عصبی بینایی کامپیوتر 02:02
چگونه از Callbackها برای کنترل آموزش استفاده کنیم؟ 01:28

فصل 6: بخش 5: تسلط به کانولوشن‌ها

مقدمه 00:44
بررسی عمیق‌تر کانولوشن‌ها 09:38
طبقه‌بند مد با کانولوشن‌های پیشرفته‌تر 05:21
مجموعه داده جدید با همان کانولوشن‌های پیشرفته‌تر و بهبود بیشتر 03:49

فصل 7: بخش 6: تصاویر پیچیده‌تر

مقدمه 00:39
ImageGenerator 10:28
ConvNet برای استفاده روی تصاویر پیچیده و اینکه چگونه آن را با fit_generator آموزش دهید 04:37

فصل 8: بخش 7: تصاویر واقعی بیشتر

مقدمه 00:38
ساخت و آموزش ConvNet برای تصاویر واقعی 03:16
اعتبارسنجی خودکار برای تست و بهبود دقت و تاثیر 05:26

فصل 9: بخش 8: افزایش تصویر

مقدمه 00:40
بررسی عمیق‌تر افزایش تصویر 06:45
کد استفاده از تکنیک افزایش با ImageDataGenerator 01:41
آن را به مجموعه داده گربه‌ها در مقابل سگ‌ها اضافه کنید 01:39
همان کار را بر روی مجموعه داده اسب‌ها در مقابل انسان‌ها انجام دهید 01:58

فصل 10: بخش 9: یادگیری انتقالی

مقدمه 00:37
مفهوم یادگیری انتقالی 06:08
یادگیری انتقالی از حالت inception و استفاده از Dropoutها برای کاهش بیش‌برازش 01:47
مدل خود را با ویژگی‌های انتقال یافته کدنویسی کنید 02:11

فصل 11: بخش 10: طبقه‌بندی چندکلاسه

مقدمه 00:39
چگونه از طبقه‌بندی باینری به طبقه‌بندی چندکلاسه برویم و مجموعه داده سنگ، کاغذ، قیچی 03:33
آموزش یک طبقه‌بند با بازی سنگ، کاغذ، قیچی و تست همان طبقه‌بند 05:23

فصل 12: بخش 11: بینایی کامپیوتر در جاوا اسکریپت

مقدمه 01:04
ساخت یک شبکه کانولوشن با جاوا اسکریپت 05:08
مصورسازی فرآیند آموزش 02:19
چگونه از اسپرایت شیت و سپس از ()tf.tidy برای ذخیره حافظه استفاده کنیم؟ 06:10

فصل 13: بخش 12: استفاده مجدد از مدل‌های موجود در جاوا اسکریپت

مقدمه 01:15
مدل‌های از پیش آموزش‌دیده TensorFlow.js و طبقه‌بند سمی بودن، از جمله درون کد 06:02
MobileNet با TensorFlow.js و مثال MobileNet در کد 04:07
چگونه مدل‌ها را به جاوا اسکریپت تبدیل کنیم؟ 04:24

فصل 14: بخش 13: یادگیری انتقالی در جاوا اسکریپت

مقدمه 00:40
چگونه مدل MobileNet را با یادگیری انتقالی دوباره آموزش دهیم؟ 06:54
چگونه داده را برای آموزش مجدد شبکه ضبط کنیم؟ 07:25
چگونه استنتاج انجام دهیم؟ 04:25

فصل 15: بخش 14: آشنایی با پردازش زبان طبیعی (NLP) - توکن‌سازی و توالی‌ها

مقدمه 00:54
آشنایی با پردازش زبان طبیعی و اینکه کدگذاری‌های مبتنی بر کلمه چگونه کار می‌کنند 06:19
چگونه از متن به توالی با توکنایزر برویم؟ 06:50
پدینگ چگونه کار می‌کند؟، هنوز در فرآیند پیش‌پردازش متن 04:26

فصل 16: بخش 15: آشنایی با پردازش زبان طبیعی (NLP) - تعبیه‌ها

مقدمه 00:35
آشنایی با تعبیه‌ها 11:21
مجموعه داده IMDB برای بررسی جزئیات تعبیه‌ها 04:38
ساخت یک طبقه‌بند برای مجموعه داده طعنه 04:36

فصل 17: بخش 16: آشنایی با پردازش زبان طبیعی (NLP) - بررسی مدل‌های بازگشتی

مقدمه 00:45
مدل‌های بازگشتی مورد استفاده برای پردازش زبان طبیعی، کاربرد و پیاده‌سازی حافظه‌های طولانی کوتاه مدت در پردازش زبان طبیعی 07:41
سعی کنید از شبکه عصبی کانولوشن برای پردازش زبان طبیعی استفاده کنید 05:13

فصل 18: بخش 17: ایجاد متن با شبکه‌های عصبی بازگشتی

مقدمه 00:45
تولید متن با شبکه‌های عصبی بازگشتی 06:05
آموزش شبکه‌های عصبی بازگشتی با کمی داده متنی برای یافتن اینکه کلمه بعدی در یک توالی چه باید باشد 04:31
سعی کنید با شبکه‌های عصبی بازگشتی شعر بنویسید 04:18

فصل 19: بخش 18: توالی‌ها و پیش‌بینی

مقدمه 01:00
درک سری‌های زمانی و اینکه چگونه آن‌ها را به آموزش، اعتبارسنجی و تست تقسیم کنید 10:31
معیارهای مختلف برای ارزیابی عملکرد سری‌های زمانی، مفاهیم میانگین متحرک 08:16

فصل 20: بخش 19: پیش‌بینی توالی‌ها با یادگیری ماشین

مقدمه 00:58
چگونه یادگیری ماشین در سری‌های زمانی و آماده‌سازی ویژگی‌ها و برچسب‌ها اعمال می‌شود؟ 04:30
چگونه یک مجموعه داده پنجره‌ای را به شبکه عصبی تغذیه کنید و کاربرد 07:51
آموزش یک شبکه عصبی عمیق، تیونینگ آن و پیش‌بینی 04:35

فصل 21: بخش 20: استفاده از شبکه‌های عصبی بازگشتی با توالی‌ها

مقدمه 00:54
چگونه شبکه‌های عصبی بازگشتی با توالی‌ها استفاده می‌شوند و شکل ورودی‌ها باید چه باشد؟ 08:31
خروجی یک توالی و لایه‌های لامبدا برای بهبود عملکرد و نرخ یادگیری 02:36
چگونه از حافظه طولانی کوتاه مدت با همان توالی‌ها استفاده کنیم؟ 04:02

فصل 22: بخش 21: سری‌های زمانی واقعی

مقدمه 00:36
استفاده از کانولوشن‌ها برای سری‌های زمانی واقعی و حافظه‌های طولانی کوتاه مدت دوطرفه در واقعیت 04:37
کار بر روی داده واقعی درباره لکه‌های خورشیدی و آموزش و تیونینگ مدل 08:05
پیش‌بینی خواهد کرد 04:35

فصل 23: آزمون واقعی گواهینامه تنسورفلو - شماره 1

درس 1 12:01
درس 2 09:18
درس 3 16:08
درس 4 08:01
درس 5 10:32

فصل 24: آزمون واقعی گواهینامه تنسورفلو - شماره 2

درس 1 10:35
درس 2 07:18
درس 3 24:07
درس 4 10:49
درس 5 07:59

فصل 25: آزمون واقعی گواهینامه تنسورفلو - شماره 3

درس 1 09:58
درس 2 11:12
درس 3 20:11
درس 4 12:56
درس 5 09:51

فصل 26: موارد اضافی دوره: آشنایی با تنسورفلو لایت

مقدمه 01:34
ویژگی‌ها و کامپوننت‌های تنسورفلو لایت (شامل معماری و عملکرد) 09:01
چگونه یک مدل را ذخیره، تبدیل و بهینه‌سازی کنید و همچنین آشنایی با TF-Select 13:22
چگونه یک مدل را به TFLite تبدیل کنیم و چگونه یادگیری انتقالی با TFLite انجام دهیم؟ 05:02

فصل 27: موارد اضافی دوره: TF Lite و اندروید

مقدمه 00:39
آشنایی با TF Lite با اندروید و معماری یک مدل در اندروید 08:25
چگونه مقداردهی اولیه یک مفسر را انجام دهیم؟ 04:34
چگونه ورودی را آماده کنیم و چگونه استنتاج کنیم و نتایج را دریافت کنیم؟ 05:17

فصل 28: موارد اضافی دوره: TF Lite و iOS

مقدمه 00:48
آشنایی با TF Lite با iOS ،Swift و TF Lite Swift 10:06
مقداردهی اولیه مفسر، آماده‌سازی ورودی‌ها، انجام استنتاج و دریافت نتایج 03:16

فصل 29: موارد اضافی دوره: TF Lite و میکروسیستم‌ها

مقدمه 00:52
آشنایی با TF Lite با میکروسیستم‌ها 06:42
چگونه کار با Raspberry Pi را آغاز کنیم و این را با طبقه‌بندی تصویر نشان دهیم؟ 13:15
مقداردهی اولیه مفسر، آماده‌سازی ورودی‌ها، انجام استنتاج و دریافت نتایج 03:22