یادگیری عمیق : یادگیری عمیق با استفاده از پایتون برای مبتدیان

یادگیری عمیق نوعی از یادگیری ماشین است که از نحوه دستیابی انسان به انواع خاصی از دانش تقلید می کند و در طول سالها در مقایسه با مدل های استاندارد محبوب تر شد. در حالی که الگوریتم های سنتی خطی هستند ، مدل های یادگیری عمیق ، به طور کلی شبکه های عصبی ، در سلسله مراتب افزایش پیچیدگی و انتزاع (بنابراین "عمیق" در یادگیری عمیق) جمع می شوند.
شبکه های عصبی مبتنی بر مجموعه واحدهای متصل هستند ( نورونها) ، که دقیقاً مانند سیناپس ها در مغز می توانند سیگنال را به سلولهای عصبی دیگر منتقل کنند ، به طوری که ، مانند سلولهای مغزی به هم پیوسته عمل می کنند ، می توانند یاد بگیرند و به روشی مانند انسانی تر تصمیم بگیرند.

عنوان اصلی : Deep Learning- Deep Learning using Python for Beginners

سرفصل های دوره :

01 مقدمه:
001 مقدمه دوره
002 درخواست بررسی صادقانه خود
003 پیوندها برای مواد و کدهای این دوره
02 اصول یادگیری عمیق:
001 پیوندهای مربوط به مواد و کدهای دوره
002 مشکل برای حل قسمت 1
003 مشکل برای حل قسمت 2
004 مشکل برای حل قسمت 3
005 معادله خطی
006 معادله خطی بردار
007 فضای ویژگی 3D
008 n فضای بعدی
009 نظریه Perceptron
010 اجرای Perceptron اساسی
011 دروازه منطقی برای Perceptrons
012 آموزش Perceptron قسمت 1
013 آموزش Perceptron قسمت 2
014 نرخ یادگیری
015 آموزش Perceptron قسمت 3
016 الگوریتم Perceptron
017 Coading Perceptron Algo (خواندن و تجسم داده ها)
018 Coading Perceptron Algo (مرحله Perceptron)
019 Coading Perceptron Algo (آموزش Perceptron)
020 Coading Perceptron Algo (تجسم نتایج)
021 مشکل با راه حل های خطی
022 راه حل برای مشکل
023 توابع خطا
024 عملکرد خطای مداوم گسسته در مقابل
عملکرد سیگموئید 025
026 مشکل چند طبقه
027 مشکل نمرات منفی
028 نیاز به softmax
029 برنامه نویسی SoftMax
030 یک رمزگذاری داغ
031 حداکثر احتمال قسمت 1
032 حداکثر احتمال قسمت 2
033 آنتروپی صلیب
034 فرمولاسیون آنتروپی متقاطع
035 آنتروپی متقاطع چند کلاس
036 اجرای آنتروپی متقابل
037 اجرای عملکرد سیگموئید
038 اجرای عملکرد خروجی
03 یادگیری عمیق:
001 پیوندهای مربوط به مواد و کدهای دوره
002 مقدمه ای برای شیب مناسب
003 توابع محدب
004 استفاده از مشتقات
005 چگونه شیب مناسب کار می کند
مرحله شیب 006
007 الگوریتم رگرسیون لجستیک
008 تجسم و خواندن داده ها
009 به روزرسانی وزن در پایتون
010 اجرای رگرسیون لجستیک
011 تجسم و نتایج
012 گرادیان مناسب در مقابل Perceptron
013 خطی به مرزهای غیر خطی
014 ترکیب احتمالات
مبلغ وزنی 015
016 معماری شبکه عصبی
017 لایه ها و شبکه های عمیق
طبقه بندی چند کلاس 018
019 مبانی خوراک به جلو
020 به جلو برای شبکه عمیق
021 بررسی اجمالی یادگیری عمیق
022 مبانی انتشار پشت
023 به روزرسانی وزن
024 قانون زنجیره ای برای بازگشت
025 Sigma Prime
026 تجزیه و تحلیل داده NN اجرای
027 یک رمزگذاری داغ (اجرای NN)
028 مقیاس داده ها (اجرای NN)
029 تقسیم داده ها (اجرای NN)
030 توابع یاور (اجرای NN)
031 آموزش (اجرای NN)
آزمایش 032 (اجرای NN)
04 بهینه سازی:
001 پیوندهای مربوط به مواد و کدهای دوره
002 زیر فشار در مقابل بیش از حد
003 توقف زود هنگام
مسابقه 004
005 راه حل و تنظیم
تنظیم مجدد 006 L1 و L2
007 ترک تحصیل
008 مشکل حداقل محلی
009 راه حل مجدد تصادفی
010 مشکل شیب ناپدید شده
011 توابع فعال سازی دیگر
05 پروژه نهایی:
001 پیوندهای مربوط به مواد و کدهای دوره
002 پروژه نهایی قسمت 1
003 پروژه نهایی قسمت 2
004 پروژه نهایی قسمت 3
005 پروژه نهایی قسمت 4
006 پروژه نهایی قسمت 5
007 با تشکر از شما ویدیوی پاداش