کورس انجام پروژه های یادگیری ماشینی بوسیله TensorFlow 2 0 and Scikit-Learn

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با یادگیری ماشینی یاد می گیرید.

عنوان اصلی : Practical Machine Learning with TensorFlow 2 0 and Scikit-Learn

سرفصل ها :

1. نصب Scikit-Learn و TensorFlow 2.0:
01. بررسی اجمالی دوره
02. مروری بر توزیع آناکوندا
03. نصب توزیع Anaconda برای Scikit-Learn
04. نصب TensorFlow 2.0 از Anaconda Distribution
05. Scikit-Learn و Tensorflow 2.0 را به صورت دستی از طریق pip نصب کنید
2.ML Fundamentals - Scikit-Learn Introduction:
06. یادگیری ماشینی چیست؟
07.First Scikit-Learn Model
08. بیش از حد مناسب و منظم
09. بررسی احتمالات و آمار
10. توزیع احتمال و متریک
3.Applied Scikit-Learn - مدل های یادگیری نظارت شده:
11.Supervised Learning و KNN
12. رگرسیون لجستیک
13. بیز ساده
14.Support Vector Machines
15. درختان تصمیم
16. روش های گروه
4. یادگیری بدون نظارت:
17.K-means و خوشه بندی سلسله مراتبی
18. اتصال و چگالی خوشه بندی
19. مدل های مخلوط گاوسی
20. مدل های گاوسی بیزی متغیر
21. تجزیه سیگنال ها به اجزا
22. تجزیه سیگنال با تجزیه و تحلیل عاملی و مؤلفه مستقل
23. تشخیص تازگی
24. تشخیص بیرونی
25. Locally Linear Embedded Manifolds
26. Multi-Dimensional Scaling and t-SNE Manifolds
27. برآورد چگالی
28. ماشین بولتزمن محدود
5. TensorFlow 2.0 ملزومات برای ML:
29. TensorFlow 2.0 نمای کلی
نوار گرادیان 30. TensorFlow 2.0
31. کار با شبکه های عصبی و کراس
32. سفارشی سازی Keras
33. شبکه های سفارشی در کراس
34. مفاهیم شبکه عصبی هسته
35. رگرسیون و یادگیری انتقالی
36. برآوردگرهای TensorFlow و TensorBoard
6. یادگیری عمیق کاربردی برای وظایف بینایی کامپیوتری:
37. مقدمه ای بر ConvNets
38.ConvNets در Keras
39. طبقه بندی تصویر با افزایش داده ها
40. Autoencoders Convolutional
41. Autoencoders Denoising و Variational
42. شبکه های متخاصم مولد سفارشی
43. تقسیم بندی معنایی
44. انتقال سبک عصبی
7. پردازش زبان طبیعی و داده های ترتیبی:
45. استفاده از جاسازی های ورد
46.Text Pipeline با Tokenization برای طبقه بندی
47. داده های متوالی با شبکه های عصبی مکرر
48. بهترین روش ها با شبکه های عصبی مکرر
49. پیش بینی سری های زمانی
50. پیش بینی با CNN و RNN
8. توالی اعمال شده در مدل های توالی و ترانسفورماتور:
51. مدل های زبان NLP
52. تولید متن از LSTM
53. Sequence to Sequence Models
54.MT Seq2Seq با توجه
55. ترانسفورماتورهای NLP
56. آموزش ترانسفورماتورها و NLP در عمل
9. کار با یادگیری تقویتی:
57. مبانی یادگیری تقویتی
58. آموزش Deep Q-Network با TF-Agents
59.TF-agents In Depth
60. روش های مبتنی بر ارزش و سیاست
61. تکنیک های کاوش و عدم قطعیت در RL
62.آموزش تقلید و آلفازیرو