در حال حاضر محصولی در سبد خرید شما وجود ندارد.
با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با تنسرفلو یاد می گیرید.
عنوان اصلی : Deep Learning with TensorFlow 2.0
1. معرفی:
به Machine Learning - 365 Data Science خوش آمدید
دوره شامل چه چیزی است - 365 Data Science
2. معرفی شبکه های عصبی:
از دست دادن آنتروپی متقابل - 365 علم داده
نمایش گرافیکی - 365 Data Science
مقدمه ای بر شبکه های عصبی - 365 علم داده
از دست دادن هنجار L2 - 365 Data Science
نزول گرادیان پارامتر N - علم داده 365
نزول گرادیان یک پارامتری - علم داده 365
مدل خطی - 365 Data Science
مدل خطی ورودی های چندگانه و خروجی های متعدد - 365 Data Science
مدل خطی ورودی های متعدد - 365 علم داده
تابع هدف - 365 Data Science
آموزش مدل - 365 Data Science
انواع یادگیری ماشینی - 365 Data Science
3. تنظیم محیط:
نصب Anaconda - 365 Data Science
نصب TensorFlow 2.0 - 365 Data Science
داشبورد Jupyter - قسمت 1 - 365 Data Science
داشبورد Jupyter - قسمت 2 - 365 Data Science
طرح کلی - 365 علم داده
راه اندازی محیط - لطفا رد نشوید! - 365 علم داده
چرا پایتون و چرا Jupyter - 365 Data Science
4. مثال حداقل:
تولید داده ها (اختیاری) - 365 Data Science
مقداردهی اولیه متغیرها - 365 Data Science
طرح کلی - 365 علم داده
آموزش مدل - 365 Data Science
5. مقدمه ای بر TensorFlow 2:
یادداشتی در مورد کدگذاری در TensorFlow - 365 Data Science
سفارشی کردن مدل شما - 365 Data
تفسیر نتیجه و استخراج وزن و سوگیری - 365 داده
طرحبندی مدل - ورودیها، خروجیها، اهداف، وزنها، سوگیریها، بهینهساز و از دست دادن - 365 Data Science
TensorFlow 2 intro - 365 Data Science
طرح کلی TensorFlow - 365 Data Science
انواع فرمت فایل در TensorFlow و مدیریت داده - 365 Data Science
6. نمای کلی شبکه های عمیق:
توابع فعال سازی - 365 Data Science
Backpropagation - 365 Data Science
پس انتشار - شهود - 365 علم داده
واقعاً شبکه های عمیق را درک کنید - 365 Data Science
فعال سازی Softmax - 365 Data Science
لایه - 365 Data Science
کم تناسب و بیش از حد. یک مثال طبقه بندی - 365 داده
یک شبکه عمیق چیست - 365 Data Science
چرا به غیر خطی ها نیاز داریم - 365 Data Science
7. ریاضیات پس انتشار (اختیاری):
8. نصب بیش از حد:
توقف زودهنگام - انگیزه و انواع - 365 علم داده
اعتبار سنجی متقابل N-fold - 365 Data Science
قطار در مقابل اعتبار - 365 داده
قطار در مقابل اعتبارسنجی در مقابل آزمون - 365 علم داده
Underfitting و overfitting - 365 Data Science
کم تناسب و بیش از حد. یک مثال طبقه بندی - 365 داده
9. مقداردهی اولیه:
Initializaiton - 365 Data Science
SGD_Batching - 365 Data Science
انواع اولیه سازی های ساده - 365 Data Science
مقداردهی اولیه Xavier_s - 365 Data Science
10. بهینه سازها:
برنامه های یادگیری تطبیقی - 365 Data Science
تخمین گشتاور تطبیقی - 365 Data Science
برنامه های نرخ یادگیری - 365 Data Science
برنامه های نرخ یادگیری یک عکس - 365 Data Science
دام حداقل های محلی - 365 Data Science
Momentum - 365 Data Science
SGD_Batching - 365 Data Science
11. پیش پردازش:
پیش پردازش پایه - 365 علم داده
برخورد با داده های طبقه بندی شده - 365 علم داده
یک داغ در مقابل باینری - 365 Data Science
پیش پردازش - 365 Data Science
استانداردسازی - 365 Data Science
12. مثال عمیق تر:
چگونه با MNIST - 365 Data Science مقابله کنیم
وارد کردن کتابخانه های مربوطه و بارگذاری داده ها - 365 Data Science
وارد کردن کتابخانه های مربوطه و بارگذاری داده ها - 365 Data Science_2
Learning - 365 Data Science
مدل را مشخص کنید
داده ها را از قبل پردازش کنید - یک مجموعه داده اعتبار سنجی ایجاد کنید و داده ها را مقیاس کنید
داده ها را از قبل پردازش کنید - داده ها را به هم بزنید و دسته بندی کنید
ضرر و بهینه ساز را انتخاب کنید
تست مدل - 365 Data Science
مجموعه داده - 365 Data Science
13. پرونده تجاری:
متعادل کردن مجموعه داده - 365 Data Science
کاوش مجموعه داده و شناسایی پیش بینی کننده ها - 365 Data Science
یادگیری و تفسیر نتیجه - 365 Data Science
بارگذاری داده های از پیش پردازش شده - 365 Data Science
تشریح راه حل مورد تجاری - 365 Data Science
پیش پردازش داده ها - 365 Data Science
تنظیم مکانیزم توقف اولیه - 365 Data Science
تست مدل - 365 Data Science
14. نتیجه گیری:
مروری بر CNN - 365 Data Science
مروری بر RNN - 365 Data Science
رویکردهای غیر NN - 365 Data Science
خلاصه - 365 علم داده
چه چیزی بیشتر در آنجا وجود دارد - 365 Data Science
Deep Learning with TensorFlow 2.0
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
اطلاع رسانی حذف دوره های قدیمی و تخفیفات نوروزی مشاهده