اصول یادگیری عمیق ( دیپ لرنینگ )

نظریه و پایتون

عنوان اصلی : Deep Learning Fundamentals

سرفصل های دوره :

مقدمه:
مقدمه دوره
بیایید با پایتون شروع کنیم!
1. شبکه عصبی مصنوعی (قسمت 1) -اصول یادگیری:
شبکه عصبی مصنوعی
Perceptron
مدار منطقی
دروازه منطق با پایتون
Perceptron چند لایه
Perceptron چند لایه با پایتون
1. شبکه عصبی مصنوعی (قسمت 2) -فعالیتهای شبکه عصبی مصنوعی:
عملکرد از دست دادن
آموزش شبکه عصبی
روش نزول شیب (قسمت 1)
قانون زنجیره ای
backpropagation
ناپدید شدن مشکل شیب
توابع فعال سازی غیر اشباع
اولیه سازی پارامتر
طبقه بندی آن با Keras
1. شبکه عصبی مصنوعی (قسمت 3) تکنیک های بهینه سازی و تنظیم:
بیش از حد
منظم سازی L1 و L2
ترک تحصیل
منظم سازی با کروها
بهینه ساز
عادی سازی دسته
بهینه سازی و عادی سازی دسته ای با کراس
ممنون!
2. شبکه عصبی Convolutional (قسمت 1) -CNN اصول:
دید رایانه
داده های تصویر
CNN چیست؟
لایه حلقوی
بالشتک
استخر
لایه کاملاً متصل
نمای کلی آموزش CNN
افزایش داده های تصویر
طبقه بندی تصویر باینری با کراس
autoencoder
2. شبکه عصبی Convolutional (قسمت 2) مدل آموزش داده شده:
lenet
الکسنت
طبقه بندی multiclass با Lenet & Alexnet
vggnet
googlenet
resnet
یادگیری انتقال
طبقه بندی باینری با یادگیری انتقال
3. شبکه عصبی مکرر:
RNN چیست؟
ساختار RNN
ورودی با طول متغیر
وزن و تعصب
انواع RNN
BPTT
lstm
چگونه LSTM کار می کند؟
BPTT در LSTM
gru
RNN ، LSTM و GRU با Keras