در حال حاضر محصولی در سبد خرید شما وجود ندارد.
در این دوره آموزشی با Apache MXNet آشنا شده و یاد می گیرید که چطور به کمک آن می توانید مدل های دیپ لرنینگ لازم برای پیاده سازی هوش مصنوعی و یادگیری ماشینی را بسازید.
عنوان اصلی : Building Deep Learning Models Using Apache MXNet
بررسی اجمالی دوره
نمای کلی ماژول
پیش نیازها و رئوس مطالب دوره
نورون ها و شبکه های عصبی
معرفی Apache MXNet
نسخه ی نمایشی: نصب Apache MXNet
برنامه نویسی نمادین و امری
معرفی NDArays
نسخه ی نمایشی: کار با NDArays
نسخه ی نمایشی: عملیات پیشرفته در NDArays
بهینه سازی گرادیان نزولی
پاس های جلو و عقب
نمای کلی ماژول
معرفی Symbol API
نسخه ی نمایشی: نمودارهای محاسباتی با استفاده از Symbol API
نسخه ی نمایشی: تکرار کننده های داده
معرفی Module API
نسخه ی نمایشی: کاوش مجموعه داده های سرطان سینه و راه اندازی NN
نسخه ی نمایشی: آموزش و پیش بینی با استفاده از API ماژول
نسخه ی نمایشی: برآوردگرها در API ماژول
نمای کلی ماژول
معرفی Gluon API
معرفی بسته Autograd برای محاسبه گرادیان
نسخه ی نمایشی: کار با Autograd
Convolution، Pooling و CNN Architectures
تکنیک های پیش پردازش تصویر
نسخه ی نمایشی: بارگیری، کاوش، و تبدیل مجموعه داده CIFAR-10
نسخه ی نمایشی: ساخت و آموزش CNN با استفاده از Gluon API
نسخه ی نمایشی: ترکیبی از شبکه عصبی برای اجرای نمادین
آموزش انتقالی
باغ وحش مدل گلوون
نسخه ی نمایشی: طبقه بندی تصاویر با استفاده از یک مدل از پیش آموزش دیده
خلاصه و مطالعه بیشتر
Building Deep Learning Models Using Apache MXNet
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.
Advanced Graph Neural Networks
Applying Differential Equations and Inverse Models with R
فیلم یادگیری Employing Ensemble Methods with scikit-learn
Introduction to Attention-Based Neural Networks
Building Classification Models with scikit-learn
آموزش ساخت خلاصه های آماری در زبان R
Applying Differential Equations and Inverse Models with R
Building Image Processing Applications Using scikit-image
آموزش آماده کردن داده های عکسی برای یادگیری ماشینی و هوش مصنوعی
Natural Language Processing with PyTorch