راهنمای جامع برای هوش مصنوعی (AI) برای همه

یادگیری ML ، NLP ، عمیق ، انتقال و تقویت با IBM Watson ، Tensorflow Sim ، Keras ، Openai Gym و موارد دیگر

عنوان اصلی : Comprehensive Guide to Artificial Intelligence(AI) for All

سرفصل های دوره :

هوش مصنوعی و تأثیر آن بر جامعه و آینده ما چیست:
**منابع و نوت بوک های Jupyter **
نگاشت عملکرد انسان به فناوری های هوش مصنوعی
AI - شاخه های الگوریتم های یادگیری ماشین
AI - الگوریتم‌ها و برنامه‌های یادگیری ماشین تحت نظارت
AI - الگوریتم ها و برنامه های یادگیری ماشین بدون نظارت
آزمون 1
AI - پردازش و کاربردهای زبان طبیعی
AI - بینایی کامپیوتر و برنامه های کاربردی
AI - IOT و برنامه ها
آزمون 2
شبکه های عصبی چیست؟
شبکه های عصبی - پرسپترون
شبکه های عصبی عمیق چیست؟
آزمون 3
ورودی - شبکه‌های عصبی پیش‌خور (FFNN)
مرحله یادگیری - شبکه‌های عصبی پیش‌خور (FFNN)
کاربردها و محدودیت‌های شبکه‌های عصبی پیش‌خور (FFNN)
آزمون 4
سی ان ان - حداکثر لایه جمع
CNN - مثالی از پایان به انتها
شبکه های عصبی تکراری (RNN)
معماری RNN
شبکه های متخاصم مولد (GAN)
یادگیری تقویتی
آموزش انتقالی
آزمون 5
پتانسیل هوش مصنوعی در بازار
نیاز به بازآموزی و مهارت مجدد
چگونه از هوش مصنوعی بهره ببریم و از آن بهره ببریم
آزمون 6
مراجع برای مطالعه بیشتر
IBM Watson - مدل‌های یادگیری ماشینی تحت نظارت و بدون نظارت:
ساخت مدل های یادگیری ماشینی تحت نظارت و بدون نظارت با استفاده از IBM Watson
رویکردی برای ساخت مدل‌های یادگیری ماشین
تنظیم و پیکربندی حساب
تحت نظارت - ساخت یک مدل طبقه بندی باینری (ML) و آپلود داده ها
تحت نظارت - آموزش و آزمایش مدل خود با استفاده از رگرسیون لجستیک
نظارت شده - ساخت یک مدل طبقه بندی چند طبقه (ML) از انتها به انتها
بدون نظارت - ساختن یک مدل واپسگرا (ML) سرتاسر
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
شبکه‌های عصبی پیش‌خور (FFNN) با شبیه‌ساز جریان تنسور و Google Colab:
مقدمه ای بر بخش و برگه آزمایش
ساختن پرسپترون
ساخت یک شبکه عصبی فید فوروارد با یک لایه پنهان - تحت نظارت
ساخت یک شبکه عصبی پیشروی عمیق - تحت نظارت
معرفی سطح بالا بر جریان تانسور، داده و تنظیم - بدون نظارت
ساخت یک شبکه عصبی پیشروی پیشرونده رگرسیون (FFNN) - بدون نظارت
ایجاد یک شبکه عصبی پیشروی تغذیه رگرسیون کم عمق - بدون نظارت
ساختن یک FFNN رگرسیون عمیق - بدون نظارت
ساخت یک FFNN رگرسیون با AdamOptimizer مختلف
ساختن یک FFNN واپس‌گرا با نرخ‌ها و دوره‌های مختلف یادگیری
تجزیه و تحلیل عملکرد شبکه‌های عصبی فید فوروارد
آزمون 7
شبکه های عصبی کانولوشنال (CNN) با IBM Watson:
بخش مقدمه و داده ها
CNN برای MNIST Architecture Walkthrough
مبانی راه اندازی حساب IBM Watson
CNN - راه اندازی و اولین اجرا با مثال MNIST - قسمت 1
CNN - راه‌اندازی و اولین اجرای با مثال MNIST - قسمت 2
بهینه سازی CNN برای MNIST
CNN برای CIFAR 10
گزینه های بهینه سازی برای CNN در CIFAR 10
سی ان ان - آزمایش های غیر همگرا
آزمون 8
شبکه عصبی مکرر (RNN) با Mathworks:
مقدمه بخش
طبقه‌بندی حروف صدادار ژاپنی با LSTM- نمونه‌ای از Mathworks
طبقه بندی فعالیت های انسانی با LSTM- مثال Walk through of Mathworks
آزمون 9
***راه رو به جلو*** :
مقدمه ای بر بخش های زیر
نصب نرم افزار و کتابخانه برای تمامی بخش های زیر
معرفی پایتون با نوت بوک Jupyter:
مقدمه ای بر پایتون
اعداد و متغیرها
رشته ها و فهرست ها
ساختارهای کنترلی
ساختارهای کنترل قسمت 2
ساختارهای داده قسمت 1
ساختارهای داده قسمت 2
کلاس ها قسمت 1
کلاس ها قسمت 2
ورودی/خروجی، مدیریت خطا و مرور کتابخانه
معرفی Numpy:
معرفی و ایجاد آرایه
ایجاد آرایه های 1D، 2D، 3D
ایجاد داده های ساختگی
شکل دهی مجدد آرایه های 1D، 2D و 3D
برش، قطعه قطعه کردن و تقسیم آرایه ها
معرفی پانداها، Matplotlib و OpenCV:
مقدمه و چارچوب داده
برش و قطعه قطعه کردن
واردات/صادرات(csv,excel,json,pickle)
نقشه برداری اولیه با Matplotlib
نمایش تصاویر CIFAR 10 با Matplotlib
تشخیص شی، تجزیه و تحلیل ویدیو و موارد دیگر با OpenCV
کار با Keras - یادگیری عمیق پیشرفته:
معرفی کراس
طبقه بندی چند طبقه با استفاده از شبکه عصبی عمیق با Keras
طبقه بندی باینری با استفاده از شبکه عصبی عمیق با Keras
ساخت VGG16 مانند شبکه عصبی عمیق با Keras
حل مجموعه داده های MNIST با استفاده از شبکه عصبی عمیق با Keras - قسمت 1
حل مجموعه داده های MNIST با استفاده از Deep شبکه عصبی با Keras - قسمت 2
حل مجموعه داده های MNIST با استفاده از شبکه عصبی عمیق با Keras - قسمت 3
مهاجرت مدل‌ها از IBM Watson برای اجرا در محلی Jupyter Notebook
ساخت RNN Stateful در نوت بوک Jupyter
آزمون 10
یادگیری انتقال و تقویت:
آموزش انتقال - استفاده مجدد از مدل ResNet50 از پیش ساخته شده برای پیش بینی
استخراج ویژگی آموزش انتقال از مدل VGG16
آموزش انتقال - بازآموزی آخرین لایه ها
یادگیری تقویتی - مثال Cart-Pole Part 1
یادگیری تقویتی - مثال Cart-Pole قسمت 2
یادگیری تقویتی - مثال آونگی
آزمون 11