مفاهیم شبکه های عصبی Recurrent

سیستم های یادگیری عمیق قادر به مدیریت اطلاعات در حجم فراوان هستند. همانطور که داده ها به میزان قابل توجهی از انتظارات ما تولید می شوند، اهمیت یادگیری عمیق در حال تبدیل شدن به مهمترین و غالب در صنایع در سراسر جهان است. در این دوره، ملزومات سوادآموزی: مفاهیم هسته ای شبکه عصبی، اصول شبکه های عصبی مصنوعی را یاد خواهید گرفت. اول، شما یک تاریخچه مختصری از شبکه های عصبی را کشف خواهید کرد، به طور خاص چگونگی الهام از نورون های بیولوژیکی. بعد، اصول ساختار یک نورون را کشف خواهید کرد، چگونه آن را به سایر نورون ها متصل می کند تا یک شبکه عصبی ایجاد شود. در نهایت، شما می توانید بردار را درک کنید و چگونه می توانید به ما کمک کنید تا عملکرد شبکه های عصبی را بهبود ببخشید. هنگامی که شما با این دوره به پایان رسید، مهارت و دانش مفاهیم اصلی شبکه های عصبی مورد نیاز به عنوان پایه ای برای پیاده سازی یادگیری عمیق را خواهید داشت.

عنوان اصلی : Literacy Essentials-core Concepts Recurrent Neural Networks Bookw

سرفصل های دوره :

01. بررسی دوره:
001. مرور دوره
02. درک ریاضیات پشت سر همبستگی:
002. مقدمه ای بر دوره
003. تشخیص یک نورون
004. Backpropagation در شبکه عصبی
005. نمای کلی دموکراسی از الگوریتم Backpropagation
006. خلاصه
03. درک شبکه عصبی مکرر:
007. مقدمه ای بر RNN
008. BPTT Backpropagation از طریق زمان
009. انواع توابع فعال سازی
010. نسخه ی نمایشی از شبکه عصبی مکرر
011. خلاصه
04. درک تفاوت بین LSTM و GRU:
012. مسائل با RNN
013. lstm vs. gru
014. اجرای نسخه ی نمایشی LSTM و GRU
015. خلاصه
05. پیاده سازی برنامه های مبتنی بر RNN:
016. موارد استفاده از زمان واقعی استفاده از RNN
017. نسخه ی نمایشی با استفاده از RNN برای تجزیه و تحلیل احساسات
018. نسخه ی نمایشی با استفاده از RNN برای نسل متن
019. خلاصه