یادگیری عمیق: شروع به کار

یادگیری عمیق به عنوان یک تکنولوژی در چند سال گذشته جهش یافته است. راه حل های بیشتر و بیشتر AI از یادگیری عمیق به عنوان تکنولوژی پایه خود استفاده می کنند. با این حال مطالعه این تکنولوژی، چالش های متعددی دارد. اکثر منابع یادگیری ریاضی سنگین هستند و بدون مهارت های ریاضی خوب حرکت می کنند. این حرفه ای ها نیاز به یک منبع ساده برای یادگیری مفاهیم و ساخت مدل ها به سرعت دارند. این دوره با هدف ارائه یک مسیر ساده برای مطالعه اصول اولیه یادگیری عمیق و تبدیل شدن به سرعت تولید می شود.
استاد Kumaran Ponnambalam شروع به یادگیری عمیق برای یادگیری عمیق، از جمله شبکه های عصبی مصنوعی و معماری. او از طریق بلوک های مختلف ساختمان های شبکه های عصبی با توضیحات ساده و آسان برای درک آسان حرکت می کند. Kumaran همچنین کد را در Keras برای پیاده سازی این بلوک های ساختمانی ایجاد می کند. سپس او را با یک تمرین نهایی به پایان می کشد. در نهایت، تست آنچه را که شما با یک مشکل یادگیری عمیق آموخته اید و راه حل خود را با Kumaran مقایسه کنید.

عنوان اصلی : Deep Learning: Getting Started

سرفصل های دوره :

مقدمه:
شروع به یادگیری عمیق
پیش نیازها برای دوره
تنظیم محیط زیست
1. مقدمه ای بر یادگیری عمیق:
یادگیری عمیق چیست؟
رگرسیون خطی
یک تقلید برای یادگیری عمیق
Perceptron
شبکه های عصبی مصنوعی
آموزش Ann
2. معماری شبکه عصبی:
لایه ورودی
لایه های مخفی
وزن و تعصبات
توابع فعال سازی
لایه خروجی
3. آموزش یک شبکه عصبی:
راه اندازی و راه اندازی اولیه
انتشار پیش رو
دقت اندازه گیری و خطا
بازگشت برگشت
Gradient Descent
Batches و Epochs
اعتبار سنجی و تست
یک مدل ANN
4. مثال یادگیری عمیق 1:
مشکل طبقه بندی IRIS
پیش پردازش ورودی
ایجاد یک مدل یادگیری عمیق
آموزش و ارزیابی
مدل های صرفه جویی و بارگیری
پیش بینی های مدل های یادگیری عمیق
5. مثال یادگیری عمیق 2:
SPAM Classification مشکل
ایجاد نمایندگی های متن
ساخت یک مدل اسپم
پیش بینی های متن
6. تمرین عمیق یادگیری:
بیانیه مشکل ورزش
پیش پردازش داده های RCA
ساخت مدل RCA
پیش بینی علل ریشه با یادگیری عمیق
نتیجه گیری:
گسترش آموزش آموزش عمیق خود را