در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.
دسته بندی
دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

آموزش کدنویسی و کار با پروژه های Deep Learning به زبان Tensor Flow 2019

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

در این دوره آموزشی قدم به قدم کدنویسی و کار بر روی پروژه های دیپ لرنینگ را یاد گرفته و در Tensor Flow تمرین و تجربه خواهید کرد. 

عنوان اصلی : Deep Learning with TensorFlow 2.0 [2019]

سرفصل ها :


خوش آمدی! معرفی دوره:
با مربیان خود آشنا شوید و چرا باید یادگیری ماشین را مطالعه کنید؟
دوره شامل چه مواردی می شود؟
دوره شامل چه مواردی می شود؟ - امتحان
4 سوال
مقدمه ای بر شبکه های عصبی:
مقدمه ای بر شبکه های عصبی
مقدمه ای بر شبکه های عصبی - آزمون
1 سوال
آموزش مدل
آموزش مدل - آزمون
3 سوال
انواع یادگیری ماشینی
انواع یادگیری ماشینی - آزمون
4 سوال
مدل خطی
مدل خطی - آزمون
3 سوال
برای جبر خطی به کمک نیاز دارید؟
مدل خطی ورودی های متعدد
مدل خطی ورودی های متعدد - آزمون
2 سوال
مدل خطی ورودی های متعدد و خروجی های متعدد
مدل خطی ورودی های متعدد و خروجی های متعدد - آزمون
3 سوال
نمایش گرافیکی
نمایش گرافیکی - آزمون
1 سوال
تابع هدف
تابع هدف - آزمون
2 سوال
L2-از دست دادن هنجار
از دست دادن هنجار L2 - آزمون
3 سوال
از دست دادن آنتروپی متقابل
از دست دادن آنتروپی متقابل - آزمون
4 سوال
نزول گرادیان یک پارامتر
یک پارامتر نزول گرادیان - آزمون
4 سوال
نزول گرادیان پارامتر N
نزول گرادیان پارامتر N - آزمون
3 سوال
راه اندازی محیط کار:
راه اندازی محیط - یک مقدمه - لطفا از دست ندهید!
چرا پایتون و چرا ژوپیتر؟
چرا پایتون و چرا ژوپیتر؟ - امتحان
2 سوال
نصب آناکوندا
داشبورد Jupyter - قسمت 1
داشبورد Jupyter - قسمت 2
میانبرهای Jupyter
داشبورد Jupyter - آزمون
3 سوال
نصب TensorFlow 2
نصب پکیج - ورزش
نصب پکیج - راه حل
مثال حداقل - اولین الگوریتم یادگیری ماشین شما:
مثال حداقل - قسمت 1
مثال حداقل - قسمت 2
مثال حداقل - قسمت 3
نمونه حداقل - قسمت 4
مثال حداقل - تمرینات
TensorFlow - مقدمه:
طرح کلی TensorFlow
معرفی TensorFlow 2
نکته ای در مورد کدگذاری در TensorFlow
انواع فرمت های فایل در TensorFlow و مدیریت داده ها
طرح‌بندی مدل - ورودی‌ها، خروجی‌ها، اهداف، وزن‌ها، سوگیری‌ها، بهینه‌ساز و از دست دادن
تفسیر نتیجه و استخراج وزن ها و سوگیری ها
کوچک کردن مدل خود
مثال حداقل - تمرینات
عمیق تر شدن: مقدمه ای بر شبکه های عصبی عمیق:
لایه های
شبکه عمیق چیست؟
درک عمیق شبکه های عمیق
چرا به غیر خطی ها نیاز داریم؟
توابع فعال سازی
فعال سازی سافت مکس
پس انتشار
پس انتشار - نمایش بصری
پس انتشار. نگاهی به ریاضیات بهینه سازی:
پس انتشار. نگاهی به ریاضیات بهینه سازی
بیش از حد مناسب:
کم تناسب و بیش از حد
عدم تناسب و اضافه برازش - طبقه بندی
آموزش و اعتبار سنجی
آموزش، اعتبار سنجی و آزمون
اعتبار سنجی متقاطع N برابری
توقف زودهنگام
مقداردهی اولیه :
مقدمه - مقدمه
انواع اولیه سازی های ساده
مقداردهی اولیه خاویر
نزول گرادیان و نرخ یادگیری:
نزول شیب تصادفی
دام های نزولی گرادیان
تکانه
برنامه های نرخ یادگیری
برنامه های نرخ یادگیری یک تصویر
برنامه های نرخ یادگیری تطبیقی
تخمین لحظه تطبیقی
پیش پردازش:
مقدمه پیش پردازش
پیش پردازش اولیه
استاندارد سازی
برخورد با داده های طبقه بندی شده
رمزگذاری یک داغ و باینری
مثال MNIST:
مجموعه داده
چگونه با MNIST مقابله کنیم
وارد کردن بسته های مربوطه و بارگذاری داده ها
داده ها را از قبل پردازش کنید - یک مجموعه داده اعتبار سنجی ایجاد کنید و داده ها را مقیاس کنید
داده ها را از قبل پردازش کنید - داده های آزمایش را مقیاس کنید
داده ها را از قبل پردازش کنید - داده ها را به هم بزنید و دسته بندی کنید
داده ها را از قبل پردازش کنید - داده ها را به هم بزنید و دسته بندی کنید
مدل را مشخص کنید
ضرر و بهینه ساز را انتخاب کنید
یادگیری
MNIST - تمرینات
MNIST - راه حل ها
تست مدل
مورد تجاری :
کاوش مجموعه داده و شناسایی پیش بینی کننده ها
تشریح راه حل مورد تجاری
متعادل کردن مجموعه داده
پیش پردازش داده ها
تمرین پیش پردازش
داده های از پیش پردازش شده را بارگیری کنید
بارگذاری داده های از پیش پردازش شده - تمرین کنید
یادگیری و تفسیر نتیجه
تنظیم مکانیسم توقف اولیه
تنظیم مکانیسم توقف اولیه - ورزش
تست مدل
تمرین نهایی
پیوست: مبانی جبر خطی:
ماتریس چیست؟
اسکالرها و بردارها
جبر خطی و هندسه
اسکالرها، بردارها و ماتریس ها در پایتون
تانسورها
جمع و تفریق ماتریس ها
خطا در هنگام اضافه کردن ماتریس
انتقال یک ماتریس
محصول نقطه ای بردارها
محصول نقطه ای ماتریس ها
چرا جبر خطی مفید است؟
نتیجه :
ببینید چقدر یاد گرفته اید
چه چیزی بیشتر در دنیای ماشین و یادگیری عمیق وجود دارد
مروری بر CNN ها
چگونه DeepMind از یادگیری عمیق استفاده می کند
مروری بر RNN ها
مروری بر رویکردهای غیر NN
سخنرانی پاداش:
سخنرانی پاداش: مراحل بعدی

نمایش سرفصل های انگلیسی

Deep Learning with TensorFlow 2.0 [2019]