یادگیری ماشینی و یادگیری عمیق با استفاده از TensorFlow

یادگیری ماشین، شبکه های عصبی، یادگیری عمیق، شبکه های عصبی عمیق (DNN) و شبکه های عصبی کانولاسیون (CNN)

عنوان اصلی : Machine Learning and Deep Learning Using TensorFlow

سرفصل های دوره :

مقدمه:
مقدمه
موضوعات تحت پوشش
یادگیری ماشین چیست؟ :
یادگیری ماشین چیست؟
رگرسیون خطی:
مراحل برای محاسبه پارامترها
Gradient Descent با استفاده از تابع هزینه خطای متوسط ​​مربع
رگرسیون خطی: مثال ساده
رگرسیون لجستیک: طبقه بندی:
طبقه بندی، مرز تصمیم گیری، و Perceptron
مرز تصمیم گیری و تابع sigmoid
CONTD: مرز تصمیم گیری و تابع sigmoid
رگرسيون لجستيكي: تبار گراييان
در جستجوی یک تابع هزینه جایگزین:
معرفی به آنتروپی
معرفی به متقاطع آنتروپی
Cross-Entropy (Contd.)
تابع هزینه متقابل آنتروپی
Gradient Descent با تابع هزینه آنتروپی متقابل
رگرسیون لجستیک: طبقه بندی چند منظوره
معرفی شبکه عصبی:
اپراتورهای منطقی
مدل سازی اپراتورهای منطقی با استفاده از Perceptron (ها)
نورون بیولوژیکی
یک تصویر چیست؟
شبکه عصبی: طبقه بندی چند منظوره
محاسبه وزن با استفاده از تکنیک backpropagation
چگونه به روز رسانی وزن لایه های پنهان با استفاده از تابع هزینه آنتروپی متقابل
به روز رسانی وزن لایه های پنهان با استفاده از تابع هزینه های آنتروپی متقابل (CONTD)
Sigmoid به Relu برای لایه درونی، SoftMax برای لایه خروجی
عملکرد فعال سازی SoftMax و Relu چیست؟
برای دانلود: تمام فایل های Colab برای دست ها:
فایل ها برای دانلود به کامپیوتر شما، و سپس به Google Drive خود آپلود کنید تا اجرا شود
Google Colab. راه اندازی، نصب گوگل درایو و دست بر روی:
Google Colab. راه اندازی و نصب Google Drive
شبکه عمیق شبکه عصبی (DNN) طبقه بندی تصویر مبتنی بر
طبقه بندی تصویر مبتنی بر DNN با استفاده از Google Colab. & tensorflow
معرفی شبکه های عصبی کانولوشن (CNN):
CNN: استخراج ویژگی
CNN: استخراج ویژگی (CONTD.)
دست بر روی: طبقه بندی تصویر مبتنی بر CNN با استفاده از Google Colab & Tensorflow
regularization، dropout، و توقف اولیه:
روش هایی برای رفع مشکلات بیش از حد و زیرزمینی
Regularization، رها کردن و توقف اولیه
دست بر روی: اصلاح، رها کردن، و توقف اولیه
دست بر روی: موضوعات مختلف:
صرفه جویی در وزن و بارگیری وزن های ذخیره شده
نحوه تقسیم طولانی به چند اجرا کوچکتر
API عملکردی و یادگیری انتقال
نحوه استخراج خروجی از یک لایه متوسط ​​یک مدل موجود