در حال حاضر محصولی در سبد خرید شما وجود ندارد.
درک عمیق یادگیری و ساخت شبکه های عصبی با استفاده از Tensorflow 2.0 و Keras در پایتون و R
عنوان اصلی : Artificial Neural Networks (ANN) with Keras in Python and R
سرفصل های دوره :
مقدمه:
منابع دوره ای
راه اندازی نوت بوک Python و Jupyter:
این یک نقطه عطف است!
معرفی به Jupyter - قسمت 1
معرفی به Jupyter - قسمت 2
اپراتورهای ریاضی در پایتون: اصول اولیه پایتون
رشته ها در پایتون: اصول اولیه پایتون
لیست ها، tuples and directories: اصول اولیه پایتون
کار با کتابخانه Numpy از پایتون
کار با کتابخانه پانداها از پایتون
کار با کتابخانه Seeborn of Python
راه اندازی R Studio و R Crash Course:
نصب R و R استودیو
مبانی R و R استودیو
بسته های در R
اطلاعات ورودی بخش 1: مجموعه داده های داخلی R
اطلاعات ورودی بخش 2: ورود اطلاعات دستی
اطلاعات ورودی بخش 3: وارد کردن از CSV یا فایل های متنی
ایجاد barplots در R
ایجاد هیستوگرام در R
سلول های تک - Perceptron و Sigmoid Neuron:
Perceptron
توابع فعال سازی
Python - ایجاد مدل Perceptron
شبکه های عصبی - سلول های انباشته برای ایجاد شبکه:
اصطلاحات پایه
Gradient Descent
بازگشت برگشت
مفاهیم مهم: سوالات مصاحبه مشترک:
برخی مفاهیم مهم
مسابقه
پارامترهای مدل استاندارد:
hyperparameters
مسابقه
tensorflow و keras:
keras و tensorflow
نصب Tensorflow و Keras در پایتون
نصب Tensorflow و Keras در R
dataset برای مشکل طبقه بندی:
Python - DataSet برای مشکل طبقه بندی
Python - نرمال سازی و تقسیم آزمون قطار
R - مجموعه داده، نرمال سازی و مجموعه تست قطار
اطلاعات بیشتر در مورد آزمون تست قطار
پایتون - ساخت و آموزش مدل:
راه های مختلف برای ایجاد Ann با استفاده از Keras
ساخت شبکه عصبی با استفاده از Keras
کامپایل و آموزش مدل شبکه عصبی
ارزیابی عملکرد و پیش بینی استفاده از Keras
R - ساخت و آموزش مدل:
ساختمان، کامپایل و آموزش
ارزیابی و پیش بینی
Python - مشکلات رگرسیون و API عملکردی:
ساختمان عصبی ساختمان برای مشکل رگرسیون
با استفاده از API عملکردی برای معماری های پیچیده
R - مشکل رگرسیون و API عملکردی:
مدل رگرسیون ساختمان با عملکرد AP
معماری پیچیده با استفاده از API عملکردی
Python - صرفه جویی و بازیابی مدل ها:
صرفه جویی - بازیابی مدل ها و استفاده از Callbacks
مدل های ذخیره سازی و بازگرداندن مدل ها:
صرفه جویی - بازیابی مدل ها و استفاده از Callbacks
Python - تنظیم HyperParameter:
تنظیم HyperParameter
R - تنظیم HyperParameter:
تنظیم HyperParameter
افزودن به: پیش پردازش داده ها:
جمع آوری دانش کسب و کار
اکتشاف داده ها
داده ها و فرهنگ لغت داده
وارد کردن داده ها در پایتون
وارد کردن مجموعه داده به R
تجزیه و تحلیل یکنواخت و EDD
EDD در پایتون
EDD در R
Outlier درمان
Outlier درمان در پایتون
Outlier درمان در R
تخفیف ارزش گمشده
تخفیف ارزش گمشده در پایتون
ارزش گمشده در R
فصلی در داده ها
تجزیه و تحلیل دو متغیر و تحول متغیر
انتقال متغیر و حذف در پایتون
انتقال متغیر در R
متغیرهای غیر قابل استفاده
ایجاد متغیر ساختگی ساختاری: دست زدن به داده های کیفی
ایجاد متغیر ساختگی ساختگی در پایتون
ایجاد متغیر ساختگی ساختگی در R
تست قطار تست:
Test-Train Split
واریانس تعصب تجارت
تست قطار تست در پایتون
تست قطار تست در R
بخش پاداش:
نقطه نهایی نهایی!
تبریک و در مورد گواهی شما
Artificial Neural Networks (ANN) with Keras in Python and R
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.
آموزش مصور سازی داده ها در Excel : نمودارها و گراف ها
Tableau & Tableau Prep for Data Preparation & Visualization
Tableau for HR: HR Analytics and Visualization with Tableau
Microsoft Excel and Google Sheets for Data Analysis
ML برای مدیران کسب و کار: مدل رگرسیون در استودیو
Ace the Tableau Desktop Specialist Exam: Prep Guide & Tests
آموزش گوگل BigQuery & PostgreSQL : بیگ کوئری برای تحلیل داده ها
Machine Learning with TensorFlow on Google Cloud
[3-in-1] Data Viz Bundle: Tableau, Excel & Looker Studio
Google Looker Masterclass: Looker & LookML A-Z 2024