فیلم یادگیری پروژه های Machine Learning در TensorFlow 2.0

در این دوره آموزشی یاد می گیرید که چطور پروژه های یادگیری ماشینی را بوسیله TensorFlow 2.0 انجام دهید. 

عنوان اصلی : Machine Learning Projects with TensorFlow 2.0

سرفصل ها :

قیمت های Airbnb Task Regression در نیویورک:
بررسی اجمالی دوره
راه اندازی TensorFlow 2.0
شروع کار با TensorFlow 2.0
تجزیه و تحلیل مجموعه داده Airbnb و ایجاد یک برنامه
پیاده سازی یک الگوریتم رگرسیون خطی ساده
پیاده سازی پرسپترون چند لایه (شبکه عصبی مصنوعی)
بهبود شبکه با توابع فعال سازی بهتر و حذف
اضافه کردن معیارهای بیشتر برای به دست آوردن درک بهتر
قرار دادن همه چیز در کنار هم به روشی حرفه ای
وظیفه طبقه بندی ساخت برنامه های دنیای واقعی: چه کسی UFC بعدی را برنده خواهد شد؟ :
جمع آوری داده های احتمالی Kaggle
تجزیه و تحلیل و برنامه ریزی مجموعه داده
معرفی گوگل کولب و مزایای آن برای ما
راه اندازی آموزش در Google Colab
برخی از رویکردهای شبکه عصبی پیشرفته
معرفی یک شبکه عمیق تر
بررسی معیارها با TensorBoard
بازرسی راه حل های موجود Kaggle
وظیفه پردازش زبان طبیعی: چگونه متن خود را تولید کنیم:
مقدمه ای بر پردازش زبان طبیعی
NLP و اهمیت پیش پردازش داده ها
یک طبقه بندی متن ساده
روش های تولید متن
تولید متن با شبکه عصبی مکرر
اصلاحات با یادگیری فدرال
وظیفه یادگیری تقویتی: چگونه در Pacman بهترین شویم:
مقدمه ای بر یادگیری تقویتی
OpenAI Gym Environments
محیط بدنسازی Pacman که قرار است از آن استفاده کنیم
اصول یادگیری تقویتی با TF-Agents
TF-Agents برای محیط بدنسازی Pacman ما
عواملی که قرار است از آنها استفاده کنیم
انتخاب بهترین رویکردها و برنامه های کاربردی دنیای واقعی
وظیفه یادگیری انتقال: چگونه یک طبقه بندی کننده تصویر قدرتمند بسازیم:
مقدمه ای بر یادگیری انتقالی در تنسورفلو 2
انتخاب یک مجموعه داده Kaggle برای کار کردن
انتخاب یک مدل پایه مناسب برای آموزش انتقال با مجموعه داده ما
پیاده سازی رویکرد آموزش انتقالی ما
چقدر خوب کار می کنیم و آیا می توانیم بهتر انجام دهیم
نتیجه گیری و کار آینده