دوره آموزشی
دوبله زبان فارسی
یادگیری ماشین با تنسورفلو در Google Cloud
✅ سرفصل و جزئیات آموزش
در این دوره که یک سفر عملی از طریق زیرساخت قدرتمند Google Cloud می باشد، شما یاد خواهید گرفت که مدل های یادگیری ماشین را با تنسورفلو بسازید، آموزش دهید و مستقر کنید.
آنچه یاد خواهید گرفت:
- تسلط به اصول بنیادی پشت مدل های ساده ML مانند مدل های رگرسیون خطی و لجستیک با استفاده از تنسورفلو
- ساخت شبکه های عصبی مصنوعی پیچیده (ANN) برای مقابله با چالش های پیچیده تر داده
- طراحی شبکه های عصبی کانولوشنال (CNN) برای تسک های تشخیص تصویر و الگو
- بهره برداری از قابلیت های Colab در Google Cloud برای اجرای کدهای پایتون برای تسک های ML به طور کارآمد
- کاوش در قابلیت های Google Vertex و نحوه تقویت ساخت های Jupyter Notebook
- پیاده سازی گردش های کار یادگیری ماشین از انتها به انتها، از پیش پردازش داده تا استقرار مدل
توضیحات دوره
در این دوره، شما:
- مدل های بنیادی مانند رگرسیون خطی و لجستیک را با استفاده از تنسورفلو توسعه خواهید داد.
- به معماری های پیشرفته مانند شبکه های عصبی مصنوعی (ANN) و شبکه های عصبی کانولوشنال (CNN) برای تسک های پیچیده تسلط خواهید یافت.
- از قدرت و راحتی Colab Google Cloud برای اجرای کد پایتون بدون زحمت استفاده خواهید کرد.
- Jupyter notebooks پیچیده را با داده دنیای واقعی در Google Colab و Vertex ایجاد خواهید کرد.
این دوره برای چه کسانی مناسب است:
- علاقمندان به داده که مشتاق کاوش در یادگیری ماشین با استفاده از تنسورفلو هستند.
- توسعه دهندگانی که به دنبال بهره برداری از زیرساخت ابری برای تسک های ML هستند.
- متخصصان مشتاق به ترکیب قابلیت های تنسورفلو با Google Cloud
- مبتدیان در جستجوی یک مقدمه ساختار یافته برای ML در ابر
- یادگیرندگان باتجربه با هدف عمیق تر کردن دانش و مهارت های خود در زمینه ML با استفاده از تنسورفلو در GCP
یادگیری ماشین با تنسورفلو در Google Cloud
-
مقدمه 05:13
-
Google cloud - Google Colab در مقایسه با Vertex AI 11:45
-
مبانی رگرسیون خطی 10:24
-
مبانی رگرسیون لجستیک 11:40
-
آزمون None
-
آشنایی با ANN 03:23
-
سلول عصبی منفرد 02:50
-
آزمون None
-
نمونه ای از پرسپترون 07:00
-
توابع فعال سازی چیست؟ 02:56
-
تابع فعالسازی Sigmoid 04:37
-
مطالعه موردی رگرسیون خطی 02:09
-
مطالعه موردی رگرسیون خطی - نمایش 18:02
-
مطالعه موردی رگرسیون لجستیک 03:05
-
مطالعه موردی رگرسیون لجستیک - نمایش 11:58
-
آزمون None
-
انباشتگی موازی در مقایسه با انباشتگی متوالی 06:32
-
شرایط مهم 03:15
-
شبکه های عصبی چگونه کار می کند؟ 04:03
-
یافتن بهینه ها با استفاده از گرادیان کاهشی 04:18
-
مفهوم استفاده از گرادیان کاهشی 03:59
-
انتشار برگشتی در شبکه عصبی 22:27
-
انواع و کاربردهای توابع فعال سازی 05:38
-
طبقه بندی چند کلاسه 03:21
-
تفاوت بین گرادیان کاهشی و گرادیان کاهشی تصادفی 02:10
-
Epochs 01:40
-
آزمون None
-
اطلاعاتی در مورد کراس و تنسورفلو 02:52
-
مجموعه داده برای طبقه بندی 09:45
-
نرمال سازی و Test-Train split 06:11
-
روش های مختلف برای ایجاد ANN 02:09
-
ساخت شبکه عصبی 12:37
-
کامپایل کردن و آموزش مدل شبکه عصبی 09:53
-
ارزیابی عملکرد و پیش بینی 07:32
-
ساخت شبکه عصبی برای مسئله رگرسیون 21:43
-
معماری پیچیده ANN با استفاده از Functional API 13:39
-
آشنایی با چک پوینت ها و کال بک ها در کراس 20:14
-
CNN - مقدمه 05:19
-
CNN - پیاده سازی 02:23
-
Stride در CNN 02:51
-
Padding در CNN 05:07
-
فیلترها در CNN 02:40
-
نمونه ای از فیلترها و نقشه های ویژگی در CNN 05:06
-
کانال ها در CNN 03:21
-
تصویرسازی کانال های RGB 03:09
-
لایه های ادغام در CNN 05:32
-
مدل CNN - پیش پردازش 05:28
-
مدل CNN - ساختار و کامپایل 06:13
-
مدل CNN - آموزش و نتایج 06:24
-
مدل CNN - تاثیر لایه ادغام 05:12
-
آشنایی با پروژه 06:17
-
پروژه - پیش پردازش داده در پایتون 09:22
-
پروژه - آموزش مدل CNN در پایتون 07:41
-
پروژه در پایتون - نتایج مدل 02:53
-
پروژه - پیش پردازش افزایش داده 07:10
-
پروژه - افزایش داده - آموزش و نتایج 09:14
مشخصات آموزش
یادگیری ماشین با تنسورفلو در Google Cloud
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:56
- مدت زمان :06:02:19
- حجم :2.26GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy