فیلم یادگیری Machine Vision GANs Deep Reinforcement

در این کورس آموزشی قدم به قدم یاد می گیرید که چطور دیپ لرنینگ را بوسیله تکنیک های GANs انجام دهید. 

عنوان اصلی : Machine Vision GANs Deep Reinforcement

سرفصل ها :

01 - ماشین بینایی، GAN ها، یادگیری تقویتی عمیق - مقدمه
02 - موضوعات
03 - 1.1 اجرای نمونه کدهای دستی در نوت بوک های Jupyter
04 - 1.2 بررسی نظریه یادگیری عمیق پیش نیاز
05 - 1.3 قله اسنیک
06 - موضوعات
07 - 2.1 لایه های کانولوشنال
08 - 2.2 فراپارامترهای فیلتر کانولوشنال
09 - 2.3 فعال سازی ادغام و صاف کردن
10 - 2.4 ساخت یک ConvNet در TensorFlow
11 - 2.5 معماری مدل ConvNet
12 - 2.6 شبکه های باقی مانده
13 - 2.7 تقسیم بندی تصویر
14 - 2.8 تشخیص شی
15 - 2.9 آموزش انتقال
16 - 2.10 شبکه کپسول
17 - موضوعات
18 - 3.1 A Boozy All-Nighter
19 - 3.2 فضای پنهان - محاسبات در چهره های انسان جعلی
20 - انتقال سبک 3.3 - تبدیل عکس ها به مونه (و بالعکس)
21 - 3.4 کاربردهای GAN
22 - 3.5 نظریه GAN ضروری
23 - 3.6 The 'Quick, Draw!' مجموعه داده
24 - 3.7 شبکه تبعیض
25 - 3.8 شبکه ژنراتور
26 - 3.9 آموزش شبکه دشمن
27 - موضوعات
28 - 4.1 سه دسته مسائل یادگیری ماشین
29 - 4.2 هنگامی که یادگیری تقویتی عمیق می شود
30 - 4.3 برنامه های کاربردی برای بازی های ویدیویی
31 - 4.4 برنامه های کاربردی برای بازی های رومیزی
32 - 4.5 برنامه های کاربردی در دنیای واقعی
33 - 4.6 تقویت محیط های یادگیری
34 - 4.7 سه دسته از هوش مصنوعی
35 - موضوعات
36 - 5.1 بازی گاری-قطبی
37 - 5.2 نظریه یادگیری تقویتی ضروری
38 - 5.3 شبکه های یادگیری عمیق Q
39 - 5.4 تعریف یک عامل DQN
40 - 5.5 تعامل با یک محیط
41 - 5.6 بهینه سازی هایپرپارامتر با آزمایشگاه SLM
42 - 5.7 Agents Beyond DQN
43 - 5.8 مجموعه داده ها، ایده های پروژه، و منابع برای خود مطالعه
44 - 5.9 نزدیک شدن به هوش عمومی مصنوعی
45 - ماشین بینایی، GAN ها، یادگیری تقویتی عمیق - خلاصه