فیلم یادگیری Deep Learning with TensorFlow: Applications of Deep Neural Networks to Machine Learning Tasks

در این دوره آموزشی یاد می گیرید که چطور از TensorFlow در Deep Learning تا شبکه های عصبی پیشرفته استفاده کنید.

عنوان اصلی : Deep Learning with TensorFlow: Applications of Deep Neural Networks to Machine Learning Tasks

سرفصل ها :

یادگیری عمیق با TensorFlow: مقدمه
درس 1: مقدمه ای بر یادگیری عمیق
1.1 شبکه های عصبی و یادگیری عمیق
1.2 اجرای کد در این LiveLessons
1.3 یک شبکه عصبی مصنوعی مقدماتی
درس 2: یادگیری عمیق چگونه کار می کند
2.1 خانواده شبکه های عصبی عمیق و کاربردهای آنها
2.2 نظریه اساسی I - واحدهای عصبی
2.3 نظریه اساسی II - توابع هزینه، نزول گرادیان، و انتشار پس
2.4 زمین بازی TensorFlow - تجسم یک شبکه عمیق در عمل
2.5 مجموعه داده ها برای یادگیری عمیق
2.6 استفاده از نظریه شبکه عمیق در کد I
درس 3: شبکه های کانولوشن
3.1 نظریه اساسی III - مینی دسته ها، گرادیان های ناپایدار و اجتناب از برازش بیش از حد
3.2 استفاده از نظریه شبکه عمیق در کد II
3.3 مقدمه ای بر شبکه های عصبی کانولوشن برای تشخیص بصری
3.4 معماری ConvNet کلاسیک - LeNet-5
3.5 معماری ConvNet کلاسیک-AlexNet و VGGNet
3.6 TensorBoard و تفسیر خروجی های مدل
درس 4: مقدمه ای بر TensorFlow
4.1 مقایسه کتابخانه های پیشرو در یادگیری عمیق
4.2 مقدمه ای بر TensorFlow
4.3 برازش مدل ها در TensorFlow
4.4 شبکه های متراکم در TensorFlow
4.5 شبکه های کانولوشن عمیق در TensorFlow
درس 5: بهبود شبکه های عمیق
5.1 بهبود عملکرد و تنظیم فراپارامترها
5.2 چگونه پروژه یادگیری عمیق خود را بسازید
5.3 منابع برای خودآموزی
یادگیری عمیق با TensorFlow: خلاصه
نمایش و پنهان کردن بیشتر