در حال حاضر محصولی در سبد خرید شما وجود ندارد.
یادگیری شبکه های عصبی مصنوعی (ANN) در پایتون. ساخت مدل های یادگیری عمیق پیش بینی با استفاده از Keras & Tensorflow | پایتون
عنوان اصلی : Neural Networks in Python: Deep Learning for Beginners
سرفصل های دوره :
مقدمه:
منابع دوره ای
این یک نقطه عطف است!
راه اندازی نوت بوک Python و Jupyter:
نصب Python و Anaconda
باز کردن نوت بوک Jupyter
معرفی به Jupyter
اپراتورهای ریاضی در پایتون: اصول اولیه پایتون
رشته ها در پایتون: اصول اولیه پایتون
لیست ها، tuples and directories: اصول اولیه پایتون
کار با کتابخانه Numpy از پایتون
کار با کتابخانه پانداها از پایتون
کار با کتابخانه Seeborn of Python
سلول های تک - Perceptron و Sigmoid Neuron:
توابع فعال سازی
Python - ایجاد مدل Perceptron
شبکه های عصبی - سلول های انباشته برای ایجاد شبکه:
اصطلاحات پایه
Gradient Descent
بازگشت برگشت
مفاهیم مهم: سوالات مصاحبه مشترک:
برخی مفاهیم مهم
مسابقه
پارامترهای مدل استاندارد:
hyperparameters
مسابقه
تست تمرین:
فهم مفهومی خود را آزمایش کنید
tensorflow و keras:
keras و tensorflow
نصب Tensorflow و Keras
python - مجموعه داده ها برای مشکل طبقه بندی:
DataSet برای طبقه بندی
Normalization و Test-Train Split
اطلاعات بیشتر در مورد آزمون تست قطار
پایتون - ساخت و آموزش مدل:
راه های مختلف برای ایجاد Ann با استفاده از Keras
ساخت شبکه عصبی با استفاده از Keras
کامپایل و آموزش مدل شبکه عصبی
ارزیابی عملکرد و پیش بینی استفاده از Keras
پایتون - حل مشکل رگرسیون با استفاده از Ann:
ساختمان عصبی ساختمان برای مشکل رگرسیون
معماری پیچیده ANN با استفاده از API عملکردی:
با استفاده از API عملکردی برای معماری های پیچیده
صرفه جویی و بازیابی مدل ها:
صرفه جویی - بازیابی مدل ها و استفاده از Callbacks
تنظیم HyperParameter:
تنظیم HyperParameter
افزودنیها 1: پیش پردازش داده ها:
جمع آوری دانش کسب و کار
اکتشاف داده ها
DataSet و فرهنگ لغت داده
افزودن منابع
وارد کردن داده ها در پایتون
تجزیه و تحلیل یکنواخت و EDD
EDD در پایتون
Outlier درمان
Outlier درمان در پایتون
تخفیف ارزش گمشده
تخفیف ارزش گمشده در پایتون
فصلی در داده ها
تجزیه و تحلیل دو متغیر و تحول متغیر
انتقال متغیر و حذف در پایتون
متغیرهای غیر قابل استفاده
ایجاد متغیر ساختگی ساختاری: دست زدن به داده های کیفی
ایجاد متغیر ساختگی ساختگی در پایتون
تجزیه و تحلیل همبستگی
تجزیه و تحلیل همبستگی در پایتون
افزودنیها 2: مدل های کلاسیک ML - رگرسیون خطی:
بیانیه مشکل
معادلات پایه و روش کمترین مربعات معمولی (OLS)
ارزیابی صحت ضرایب پیش بینی شده
ارزیابی دقت مدل: RSE و R مربع
رگرسیون خطی ساده در پایتون
رگرسیون خطی چندگانه
f - statistic
تفسیر نتایج متغیرهای قطعی
رگرسیون خطی چندگانه در پایتون
Test-Train Split
واریانس تعصب تجارت
تست قطار تست در پایتون
تخصیص تمرین:
تخصیص طبقه بندی شبکه های عصبی
بخش پاداش:
نقطه نهایی نهایی!
تبریک و در مورد گواهی شما
Neural Networks in Python: Deep Learning for Beginners
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.
شبکه های عصبی مصنوعی (ANN) با Keras در پایتون و R
Google BigQuery & PostgreSQL : Big Query for Data Analysis
Machine Learning with TensorFlow on Google Cloud
Master SPC Control Charts using MS Excel
Excel Analytics: Linear Regression Analysis in MS Excel
آموزش گوگل BigQuery & PostgreSQL : بیگ کوئری برای تحلیل داده ها
مصور سازی داده ها و داشبورد سازی بوسیله Google Data Studio
Looker and Looker Studio: Google’s Data Visualization Tools
Power BI and Tableau for Data Visualization [2-in-1 Bundle]
Microsoft Excel and Google Sheets for Data Analysis