آموزش عملی یادگیری ماشینی بوسیله TensorFlow 2.0 & Keras

در این دوره آموزشی به طور کاملا عملی و پروژه محور یادگیری ماشینی و پیاده سازی آن را بوسیله TensorFlow 2.0 & Keras بخوبی یاد می گیرید. 

عنوان اصلی : A Practical Guide to Machine Learning with TensorFlow 2.0 & Keras

سرفصل ها :

1. معرفی:
1. معرفی
2. Jupyter Notebook TensorFlow
2. یادگیری ماشینی، شبکه های عصبی یادگیری عمیق:
1. نسخه ی نمایشی یادگیری ماشین
2. یادگیری عمیق، یادگیری ماشین، منابع شبکه های عصبی
3. یادگیری ماشینی آمار
4. نورون ها لایه های عصبی
5. یادگیری عمیق
6. آموزش مدل نورون ها
7. مدل های آموزشی
8. هوش مصنوعی یادگیری عمیق
9. نسخه ی نمایشی مدل سازی هوش مصنوعی
10. ترکیب هوش مصنوعی شبکه های عصبی
3. رگرسیون خطی:
1. راه اندازی نوت بوک Jupyter
2. کامپایلر سخت افزار
3. معماری تنسورفلو
4. رسم داده های یکنواخت
5. رسم داده ها با نویز
6. پیش بینی داده ها با TensorFlow
7. تجسم کاهش نرخ یادگیری
8. گرادیان های نرخ یادگیری
9. میزان یادگیری در مقابل مراحل
4. آموزش مدل پردازش تصویر:
1. پردازش تصویر با Keras
2. ایجاد یک مدل تصویر دو بعدی
3. Sigmoid در مقابل ReLU
4. سافت مکس
5. درک مدل
6. تعریف تابع ضرر حل کننده
7. آموزش یک مدل
8. مقایسه مدل های مختلف
9. تجزیه و تحلیل اجزای اصلی
5. Convolution Pooling:
1. تعاریف ادغام کانولوشن ها
2. اضافه کردن Convolutions Pooling
3. نمودار ادغام پیچیدگی ها
4. تجسم عملیات کانولوشن
5. پیش بینی، ذخیره مدل های بارگذاری
6. توجه شبکه عصبی
7. تعصب در مجموعه داده های آموزشی
6. تجزیه و تحلیل متن:
1. تشخیص بررسی های خوب بد
2. پردازش زبان طبیعی
3. تجزیه و تحلیل احساسات
4. حافظه کوتاه مدت بلند مدت
5. یادگیری تقویتی
7. جمع بندی:
1. بسته بندی