آموزش انجام پروژه های دیپ لرنینگ با TensorFlow 2.0

در این دوره آموزشی با مبانی TensorFlow 2.0 آشنا شده و سپس به طور حرفه ای از آن در انجام Deep Learning استفاده خواهید کرد.

عنوان اصلی : Getting Started with TensorFlow 2.0 for Deep Learning

سرفصل ها :

اصول یادگیری عمیق:
معرفی یادگیری عمیق و تنظیم محیط
معرفی گردش کار جهانی یادگیری عمیق
بازآموزی ریاضی
مجموعه های آموزشی، اعتبار سنجی و تست
پیش پردازش داده ها و مهندسی ویژگی برای مدل های یادگیری عمیق
نشان دادن بیش از حد برازش و عدم تناسب داده ها
TensorFlow 2.0 برای یادگیری عمیق:
شبکه عصبی در TensorFlow 2.0
دریافت و پیش پردازش مجموعه داده های MNIST
ساخت شبکه عصبی برای طبقه بندی مجموعه داده CIFAR10 در نوت بوک Jupyter
TensorBoard و Callbacks
کار با CNN برای بینایی کامپیوتری و یادگیری عمیق:
بارگیری مجموعه داده، و ساخت مجموعه های آموزش و آزمایش
پیش پردازش مجموعه داده
ساختن مدل CNN از ابتدا با مجموعه داده های Home Objects
افزایش داده ها برای غلبه بر برازش و ایجاد تصاویر مشابه
کار با LSTM برای داده های متنی و یادگیری عمیق:
دانلود و کار کردن داده های متنی: N-Grams و Bag-Of-Words
استفاده از GloVe Word Embeddings
ساخت مدل LSTM برای داده های متنی و بدست آوردن نتایج
کار با RNN برای دنباله های سری زمانی و یادگیری عمیق:
دریافت و پیش پردازش داده های دما
ساخت مدل RNN برای پیش بینی دما
رمزگذارهای خودکار - AE و Denoising AE:
ایجاد رمزگذارهای خودکار ساده از ابتدا با مجموعه داده Fashion-MNIST
با رمزگذارهای خودکار عمیق عمیق بروید
بازسازی تصاویر با انکودرهای خودکار حذف نویز
مینی پروژه های یادگیری عمیق:
دریافت و پیش پردازش مجموعه داده های IMDB برای طبقه بندی باینری
آماده سازی، ساخت و تأیید نتایج مجموعه داده در مجموعه داده های IMDB
دریافت و پیش پردازش مجموعه داده رویترز برای طبقه بندی چند برچسبی
آماده سازی، ساخت و تأیید نتایج مجموعه داده در مجموعه داده رویترز
دریافت و پیش پردازش مجموعه داده برای تجزیه و تحلیل رگرسیون
آماده سازی مجموعه داده در مجموعه داده قیمت مسکن بوستون