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.

کورس شبکه های عصبی مکرر

13,900 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.

ویدئو معرفی این محصول

با مفاهیم مکرر شبکه عصبی (RNN) به روشی ساده شروع کنید و برنامه های ساده ای را با RNN و KERA بسازید. RNN یک دامنه سریع در حال رشد در جهان AI است. برنامه های پیشگامانه محبوب مانند ترجمه زبان ، سنتز گفتار ، پاسخ به سؤال و تولید متن از RNN ها به عنوان فناوری پایه خود استفاده می کنند. با این حال ، مطالعه این فناوری چالش های مختلفی دارد. بیشتر منابع یادگیری ریاضی سنگین هستند و بدون مهارت ریاضی خوب حرکت می کنند. متخصصان فناوری اطلاعات از پس زمینه های مختلف برای یادگیری مفاهیم و ساخت سریع مدل ها به یک منبع ساده نیاز دارند. در این دوره ، Kumaran Ponnambalam مسیری ساده را برای مطالعه اصول شبکه های عصبی مکرر فراهم می کند و به شما امکان می دهد سریع تولید شوید. Kumaran قبل از قدم زدن در فرآیند ساخت یک مدل ، با معرفی ساده RNN شروع می شود. وی سپس بلوک های ساختمانی محبوب RNN را با GRUS ، LSTMS ، تعبیه کلمات و ترانسفورماتورها پوشش می دهد.

عنوان اصلی : Recurrent Neural Networks

سرفصل های دوره :

مقدمه:
شروع با RNN
دامنه و پیش نیازهای این دوره
تنظیم پرونده های ورزشی
1. مقدمه RNN ها:
مروری بر یادگیری عمیق
چرا مدل های دنباله؟
یک شبکه عصبی مکرر
انواع RNN
برنامه های RNN
2. مفاهیم RNN:
آموزش مدلهای RNN
انتشار رو به جلو با RNN
محاسبه از دست دادن RNN
انتشار عقب با RNN
پیش بینی با RNN
3. یک مثال RNN:
یک مثال ساده RNN: پیش بینی قیمت سهام
پیش پردازش داده برای RNN
تهیه داده های سری زمانی با بازگشت
ایجاد یک مدل RNN
آزمایش و پیش بینی با RNN
4. معماری RNN:
مشکل شیب ناپدید شده
واحد مکرر دروازه
حافظه کوتاه مدت طولانی
RNN های دو طرفه
5. یک مثال LSTM:
بارهای پیش بینی سرویس با LSTM
الگوهای سری زمانی
تهیه داده های سری زمانی برای LSTM
ایجاد یک مدل LSTM
آزمایش مدل LSTM
بارهای پیش بینی سرویس: پیش بینی ها
6. تعبیه کلمه:
مدل های مبتنی بر متن: چالش ها
مقدمه به تعبیه های کلمه
تعبیه شده کلمه ای
پیش پردازش متن برای RNN
ایجاد یک ماتریس تعبیه شده
7. تشخیص هرزنامه با تعبیه کلمه:
نمونه تشخیص هرزنامه برای تعبیه
تهیه داده های هرزنامه برای آموزش
ساخت ماتریس تعبیه شده
ایجاد یک مدل طبقه بندی هرزنامه
پیش بینی هرزنامه با LSTM و تعبیه کننده کلمه
نتیجه گیری:
مراحل بعدی