در حال حاضر محصولی در سبد خرید شما وجود ندارد.
اصول اولیه یادگیری ماشین ، نظارت ، بدون نظارت ، FFNN ، CNN ، NLP ، RNN
را بیاموزید
عنوان اصلی : Hands-on Introduction to Artificial Intelligence(AI)
سرفصل های دوره :
مقدمه:
نقشه برداری از عملکردهای انسانی به فناوری های هوش مصنوعی
AI - شاخه های الگوریتم یادگیری ماشین
AI - الگوریتم ها و برنامه های یادگیری ماشین نظارت شده
AI - الگوریتم ها و برنامه های یادگیری ماشین بدون نظارت
AI - پردازش زبان طبیعی و برنامه های کاربردی
AI - IoT و برنامه ها
شبکه های عصبی - Perceptron
شبکه های عصبی عمیق چیست؟
ساختار شبکه های عصبی به جلو (FFNN) و پاس رو به جلو
ورودی - شبکه های عصبی به جلو (FFNN)
مرحله یادگیری - شبکه های عصبی به جلو (FFNN)
تکثیر و یادگیری مرحله -شبکه های عصبی رو به جلو (FFNN)
برنامه ها و محدودیت های شبکه های عصبی به جلو (FFNN)
مقدمه CNN
CNN - لایه حلقوی و RELU
CNN - لایه جمع آوری حداکثر
CNN - مثال پایان تا پایان
شبکه عصبی مکرر (RNN)
معماری RNN
شبکه های مخالف مولد (GAN)
یادگیری تقویت
یادگیری انتقال
چه کسی به AI شل می شود
نیاز به بازآموزی و بازگشت مجدد
چگونه می توان از AI بهره مند شد و از آن بهره مند شد
IBM Watson - مدل های یادگیری ماشین نظارت و بدون نظارت:
ساختمان مدل های یادگیری ماشین نظارت شده و بدون نظارت با استفاده از IBM Watson
رویکرد برای ساخت مدل های یادگیری ماشین
تنظیم و پیکربندی حساب
تحت نظارت و آزمایش مدل خود با استفاده از رگرسیون لجستیک
تحت نظارت - ساخت مدل طبقه بندی چند کلاس (ML) پایان تا پایان
بدون نظارت - ساخت یک مدل رگرسیون (ML) پایان به پایان
پارامترهای ارزیابی عملکرد برای الگوریتم های ML
پردازش زبان طبیعی (NLP) با IBM Watson:
مقدمه ای بر بخش
IBM Watson - متن به گفتار
IBM Watson - گفتار به متن
IBM Watson - استخراج معنایی
شبکه های عصبی رو به جلو (FFNN) با شبیه ساز جریان تانسور و Google Colab:
مقدمه ای بر بخش و برگه آزمایش
ساختن یک perceptron
ساختن یک شبکه عصبی به جلو با یک لایه پنهان - نظارت
ایجاد یک شبکه عصبی به جلو فید عمیق - نظارت
معرفی سطح بالا به جریان تانسور ، داده ها و تنظیم - بدون نظارت
ساختن یک شبکه عصبی به جلو (FFNN) - بدون نظارت
ساختن یک شبکه عصبی به جلو کم عمق فیدر - بدون نظارت
ساختن یک FFNN رگرسیون با Adamoptimizer مختلف
ساختن یک FFNN رگرسیون با نرخ های مختلف یادگیری و دوره ها
تجزیه و تحلیل عملکرد شبکه های عصبی Feed Forward
شبکه های عصبی حلقوی (CNN) با IBM Watson:
بخش مقدمه و داده ها
CNN برای معماری Mnist Walkthrough
اصول اولیه تنظیم حساب IBM Watson
CNN - راه اندازی و اولین بار با مثال mnist - قسمت 1
CNN - راه اندازی و اولین بار با مثال mnist - قسمت 2
CNN برای MNIST با SGD
بهینه سازی CNN برای mnist
CNN برای Cifar 10
گزینه های بهینه سازی CNN در Cifar 10
CNN - آزمایش های غیرقابل کنترل
شبکه عصبی مکرر (RNN) با Mathworks:
مقدمه بخش
طبقه بندی مصوت های ژاپنی با LSTM- از طریق Mathworks Walk
طبقه بندی فعالیت های انسانی با LSTM- به عنوان مثال Mathworks
Hands-on Introduction to Artificial Intelligence(AI)
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.
کار با استدیو طراحی سپ SAP Lumira Designer 2.X
Build No Code Web and Mobile Apps with SAP Build Apps
SAP HANA Implementation, Modeling and Reporting Course
ساخت برنامه های واقعیت افزوده برای همه پلتفرم ها با ThingWorx
راهنمای جامع برای هوش مصنوعی (AI) برای همه
SAP HANA Cloud Provisioning, Administration and Monitoring