شبکه های عصبی مکرر

با مفاهیم مکرر شبکه عصبی (RNN) به روشی ساده شروع کنید و برنامه های ساده ای را با RNN و KERA بسازید. RNN یک دامنه سریع در حال رشد در جهان AI است. برنامه های پیشگامانه محبوب مانند ترجمه زبان ، سنتز گفتار ، پاسخ به سؤال و تولید متن از RNN ها به عنوان فناوری پایه خود استفاده می کنند. با این حال ، مطالعه این فناوری چالش های مختلفی دارد. بیشتر منابع یادگیری ریاضی سنگین هستند و بدون مهارت ریاضی خوب حرکت می کنند. متخصصان فناوری اطلاعات از پس زمینه های مختلف برای یادگیری مفاهیم و ساخت سریع مدل ها به یک منبع ساده نیاز دارند. در این دوره ، Kumaran Ponnambalam مسیری ساده را برای مطالعه اصول شبکه های عصبی مکرر فراهم می کند و به شما امکان می دهد سریع تولید شوید. Kumaran قبل از قدم زدن در فرآیند ساخت یک مدل ، با معرفی ساده RNN شروع می شود. وی سپس بلوک های ساختمانی محبوب RNN را با GRUS ، LSTMS ، تعبیه کلمات و ترانسفورماتورها پوشش می دهد.

عنوان اصلی : Recurrent Neural Networks

سرفصل های دوره :

مقدمه:
شروع با RNN
دامنه و پیش نیازهای این دوره
تنظیم پرونده های ورزشی
1. مقدمه RNN ها:
مروری بر یادگیری عمیق
چرا مدل های دنباله؟
یک شبکه عصبی مکرر
انواع RNN
برنامه های RNN
2. مفاهیم RNN:
آموزش مدلهای RNN
انتشار رو به جلو با RNN
محاسبه از دست دادن RNN
انتشار عقب با RNN
پیش بینی با RNN
3. یک مثال RNN:
یک مثال ساده RNN: پیش بینی قیمت سهام
پیش پردازش داده برای RNN
تهیه داده های سری زمانی با بازگشت
ایجاد یک مدل RNN
آزمایش و پیش بینی با RNN
4. معماری RNN:
مشکل شیب ناپدید شده
واحد مکرر دروازه
حافظه کوتاه مدت طولانی
RNN های دو طرفه
5. یک مثال LSTM:
بارهای پیش بینی سرویس با LSTM
الگوهای سری زمانی
تهیه داده های سری زمانی برای LSTM
ایجاد یک مدل LSTM
آزمایش مدل LSTM
بارهای پیش بینی سرویس: پیش بینی ها
6. تعبیه کلمه:
مدل های مبتنی بر متن: چالش ها
مقدمه به تعبیه های کلمه
تعبیه شده کلمه ای
پیش پردازش متن برای RNN
ایجاد یک ماتریس تعبیه شده
7. تشخیص هرزنامه با تعبیه کلمه:
نمونه تشخیص هرزنامه برای تعبیه
تهیه داده های هرزنامه برای آموزش
ساخت ماتریس تعبیه شده
ایجاد یک مدل طبقه بندی هرزنامه
پیش بینی هرزنامه با LSTM و تعبیه کننده کلمه
نتیجه گیری:
مراحل بعدی