فیلم یادگیری Machine Vision GANs and Deep Reinforcement Learning

در این کورس آموزشی یاد می گیرید که چطور با استفاده از شیوه های یادگیری عمیق می توانید دید کامپیوتری یا همان Computer Vision را پیاده کنید. 

عنوان اصلی : Addison Wesley Professional Machine Vision GANs and Deep Reinforcement Learning Sneak

سرفصل ها :

01 - ماشین بینایی، GAN ها، یادگیری تقویتی عمیق - مقدمه
02 - موضوعات
03 - 1.1 اجرای نمونه کدهای دستی در نوت بوک های Jupyter
04 - 1.2 بررسی نظریه یادگیری عمیق پیش نیاز
05 - 1.3 قله اسنیک
06 - موضوعات
07 - 2.1 لایه های کانولوشنال
08 - 2.2 فراپارامترهای فیلتر کانولوشنال
09 - 2.3 فعال سازی ادغام و صاف کردن
10 - 2.4 ساخت یک ConvNet در TensorFlow
11 - 2.5 معماری مدل ConvNet
12 - 2.6 شبکه های باقی مانده
13 - 2.7 تقسیم بندی تصویر
14 - 2.8 تشخیص شی
15 - 2.9 آموزش انتقال
16 - 2.10 شبکه کپسول
17 - موضوعات
18 - 3.1 A Boozy All-Nighter
19 - 3.2 فضای پنهان - محاسبات در چهره های انسان جعلی
20 - انتقال سبک 3.3 - تبدیل عکس ها به مونه (و بالعکس)
21 - 3.4 کاربردهای GAN
22 - 3.5 نظریه GAN ضروری
23 - 3.6 The 'Quick, Draw!' مجموعه داده
24 - 3.7 شبکه تبعیض
25 - 3.8 شبکه ژنراتور
26 - 3.9 آموزش شبکه دشمن
27 - موضوعات
28 - 4.1 سه دسته مسائل یادگیری ماشین
29 - 4.2 هنگامی که یادگیری تقویتی عمیق می شود
30 - 4.3 برنامه های کاربردی برای بازی های ویدیویی
31 - 4.4 برنامه های کاربردی برای بازی های رومیزی
32 - 4.5 برنامه های کاربردی در دنیای واقعی
33 - 4.6 تقویت محیط های یادگیری
34 - 4.7 سه دسته از هوش مصنوعی
35 - موضوعات
36 - 5.1 بازی گاری-قطبی
37 - 5.2 نظریه یادگیری تقویتی ضروری
38 - 5.3 شبکه های یادگیری عمیق Q
39 - 5.4 تعریف یک عامل DQN
40 - 5.5 تعامل با یک محیط
41 - 5.6 بهینه سازی هایپرپارامتر با آزمایشگاه SLM
42 - 5.7 Agents Beyond DQN
43 - 5.8 مجموعه داده ها، ایده های پروژه، و منابع برای خود مطالعه
44 - 5.9 نزدیک شدن به هوش عمومی مصنوعی
45 - ماشین بینایی، GAN ها، یادگیری تقویتی عمیق - خلاصه