مهندسی یادگیری ماشینی بوسیله Python Keras

خوش آمدید به Keras برای مهندسان یادگیری ماشین. این یک دوره با دقت ساختاری است که شما را در سفر خود هدایت می کند تا یادگیری عمیق را در پایتون با Keras یاد بگیرد. کتابخانه Keras Python را برای یادگیری عمیق کشف کنید و فرآیند توسعه و ارزیابی مدل های یادگیری عمیق را با استفاده از آن یاد بگیرید.
دو سیستم عامل عددی بالا برای توسعه مدل های یادگیری عمیق وجود دارد؛ آنها Theano، توسعه یافته توسط دانشگاه مونترال، و Tensorflow در Google توسعه یافته است. هر دو برای استفاده در پایتون توسعه داده شدند و هر دو را می توان با استفاده از کتابخانه Keras فوق العاده ساده برای استفاده کرد. Keras پیچیدگی محاسباتی عددی را از تیونو و تانسورف پیچید، ارائه یک API مختصر است که ما برای توسعه شبکه عصبی خود و مدل های یادگیری عمیق استفاده خواهیم کرد. Keras تبدیل به استاندارد طلا در فضای کاربردی برای مدل های سریع یادگیری عمیق است.
این دوره یک راهنمای دست است. این یک کتابنامه و یک کتاب کاری است که برای شما در نظر گرفته شده است و سپس درک جدید خود را به مدل های keras یادگیری عمیق خود اعمال کنید.
تمام منابع و کد های کد برای این دوره در اینجا قرار می گیرند: https: // github. com / packtpublishing / hands-on-keras-for-machine-machine-regioners

عنوان اصلی : Hands-On Keras for Machine Learning Engineers

سرفصل های دوره :

مقدمه:
معرفی
آنچه که در این دوره یاد می گیرید
این دوره برای شما مناسب است؟
Keras چیست؟
fundations:
theano
Tensorflow
Anatomy شبکه عصبی مصنوعی
یادگیری عمیق
چرخه زندگی Keras
anatomy کد keras
نسخه ی نمایشی: مطالعه موردی در DataSet دیابت PIMA: داده های بارگیری
DEMO: مطالعه موردی دیاگرام دیابت PIMA: تعریف و کامپایل
نسخه ی نمایشی: مطالعه موردی دیاگرام دیابت PIMA: مناسب و ارزیابی
ارزیابی عملکرد در شبکه های عصبی
نسخه ی نمایشی: مطالعه موردی در تقسیم بندی داده ها
Scikit- یادگیری برای یادگیری ماشین عمومی
مدل های ارزیابی با اعتبار سنجی متقابل
GRID جستجوی پارامترهای مدل یادگیری عمیق
نسخه ی نمایشی: مطالعه موردی در طبقه بندی چند منظوره
نسخه ی نمایشی: مطالعه موردی در طبقه بندی چند منظوره: قسمت 2
نسخه ی نمایشی: مطالعه موردی در طبقه بندی باینری
نسخه ی نمایشی: مطالعه موردی در طبقه بندی باینری: قسمت 2
نسخه ی نمایشی: مطالعه موردی در طبقه بندی باینری: قسمت 3
نسخه ی نمایشی: مطالعه موردی در طبقه بندی باینری: قسمت 4
نسخه ی نمایشی: مطالعه موردی در مورد رگرسیون
نسخه ی نمایشی: مطالعه موردی بر روی رگرسیون: قسمت 2
نسخه ی نمایشی: مطالعه موردی در مورد رگرسیون: قسمت 3
رفتن عمیق تر با keras:
سریال مدل سازی
صرفه جویی در شبکه عصبی به JSON
صرفه جویی در شبکه عصبی به Yaml
نسخه ی نمایشی: مطالعه موردی در مورد بازرسی
نسخه ی نمایشی: مطالعه موردی در مورد بازرسی: قسمت 2
تاریخچه نقشه برداری
تجسم تاریخچه آموزش مدل در Keras
نسخه ی نمایشی: مطالعه موردی بر روی رها کردن
نسخه ی نمایشی: مطالعه موردی در حال رها کردن: قسمت 2
راهنمایی های رها کردن
نرخ یادگیری تعریف شده است
پیکربندی نرخ یادگیری
نسخه ی نمایشی: مطالعه موردی در مورد نرخ های یادگیری
نسخه ی نمایشی: مطالعه موردی در نرخ یادگیری: قسمت 2
نسخه ی نمایشی: مطالعه موردی در نرخ یادگیری: قسمت 3
شبکه های عصبی convunctional:
شبکه های عصبی کانولوشن
نسخه ی نمایشی: مطالعه موردی در تشخیص رقمی دست نوشته
نسخه ی نمایشی: مطالعه موردی به رسمیت شناختن رقمی دست نوشته: قسمت 2
نسخه ی نمایشی: مطالعه موردی در تشخیص رقمی دست نوشته: قسمت 3
نسخه ی نمایشی: مطالعه موردی در تشخیص رقمی دست نوشته: قسمت 4
تقویم تصویر
نسخه ی نمایشی: مطالعه موردی در مورد افزایش تصویر
نسخه ی نمایشی: مطالعه موردی در مورد افزایش تصویر: قسمت 2
نکات تقویت تصویر
تشخیص شیء
نسخه ی نمایشی: مطالعه موردی در مورد تشخیص شی
بهبود عملکرد مدل
تجزیه و تحلیل احساسات در Keras
مشخصات داده های IMDB
Word Embedding تعریف شده است
نسخه ی نمایشی: مطالعه موردی در مورد جابجایی کلمه
نسخه ی نمایشی: مطالعه موردی بر روی کلمه تعبیه شده: قسمت 2
شبکه های عصبی مکرر:
شبکه های عصبی مکرر
نسخه ی نمایشی: مطالعه موردی پیش بینی سری زمانی
نسخه ی نمایشی: مطالعه موردی پیش بینی سری زمانی: قسمت 2
نسخه ی نمایشی: مطالعه موردی پیش بینی سری زمانی: قسمت 3
نسخه ی نمایشی: مطالعه موردی پیش بینی سری زمانی با LSTM
نسخه ی نمایشی: مطالعه موردی در پیش بینی سری زمانی با LSTM: قسمت 2
نسخه ی نمایشی: مطالعه موردی پیش بینی سری زمانی با LSTM: قسمت 3
نسخه ی نمایشی: مطالعه موردی در طبقه بندی توالی
نسخه ی نمایشی: مطالعه موردی در طبقه بندی توالی: قسمت 2