یادگیری عمیق با استفاده از Keras - راهنمای کامل و جمع و جور برای مبتدیان

دامنه هوش مصنوعی به طور گسترده ای به یادگیری عمیق و یادگیری ماشین تقسیم می شود. در حقیقت، یادگیری عمیق ماشین یادگیری خود است، اما یادگیری عمیق با شبکه های عصبی عمیق خود و الگوریتم ها تلاش می کند تا ویژگی های سطح بالا را از داده ها بدون مداخله انسانی یاد بگیرند. این باعث می شود که عمق تمام سیستم های هوشمند خود هوشمندانه را یاد بگیرد.
این دوره با رفتن به اصول اولیه پایتون آغاز می شود و سپس به سرعت به کتابخانه های مهم پایتون حرکت می کند که برای تجزیه و تحلیل داده ها و تجسم ها، مانند numpy حیاتی هستند ، پانداها، و matplotlib. پس از اصول اولیه، ما پس از آن کتابخانه های یادگیری عمیق-تیونو و Tensorflow را نصب خواهیم کرد و API برای برخورد با این Keras نامیده می شود.
پس از آن، قبل از رفتن به یادگیری عمیق، ما یک جلسه تئوری دقیق در مورد اساسی خواهیم داشت ساختار نورون مصنوعی و شبکه های عصبی، و در مورد توابع فعال سازی، توابع از دست دادن، و بهینه سازان.
علاوه بر این، ما مدل های شبکه های عصبی چند لایه را برای یک مجموعه داده مبتنی بر متن و سپس شبکه های عصبی کانولوشن برای یک تصویر ایجاد خواهیم کرد داده های مبتنی بر
شما همچنین خواهید آموخت که چگونه لایه های CNN پایه مانند لایه کنفرانس، لایه ی جمع کننده و لایه کاملا متصل شده است. سپس، ما از تکنیک های مختلفی برای بهبود کیفیت مدل استفاده خواهیم کرد و با استفاده از تقویت تصویر، بهینه سازی را انجام خواهیم داد.
در پایان این دوره، شما درک کامل از یادگیری عمیق خواهید داشت و قادر به اجرای این مهارت ها خواهید بود پروژه های خود را
بسته نرم افزاری کامل کد برای این دوره در https://github.com/packtpublishing/deep-learning-using-keras ---a-complete-and-compact-guide-for- در دسترس است مبتدیان

عنوان اصلی : Deep Learning Using Keras - A Complete and Compact Guide for Beginners

سرفصل های دوره :

معرفی دوره:
معرفی دوره و فهرست مطالب
مقدمه:
مقدمه ای بر هوش مصنوعی (هوش مصنوعی) و یادگیری ماشینی
مقدمه ای بر یادگیری عمیق
راه اندازی رایانه:
نصب آناکوندا
مبانی پایتون:
تکالیف
کنترل جریان - قسمت 1
کنترل جریان - قسمت 2
لیست و تاپل ها
فرهنگ لغت و توابع - قسمت 1
فرهنگ لغت و توابع - قسمت 2
اصول NumPy:
اصول NumPy - قسمت 1
اصول NumPy - قسمت 2
مبانی Matplotlib:
مبانی Matplotlib - قسمت 1
مبانی Matplotlib - قسمت 2
اصول پانداها:
اصول پانداها - قسمت 1
اصول پانداها - قسمت 2
نصب کتابخانه ها:
نصب کتابخانه های یادگیری عمیق
نرون مصنوعی و شبکه عصبی:
ساختار اساسی
توابع فعال سازی:
مقدمه
توابع فعال سازی محبوب:
انواع رایج توابع فعال سازی
انواع رایج توابع از دست دادن:
انواع رایج توابع از دست دادن
انواع محبوب بهینه سازها:
بهینه سازهای محبوب
انواع شبکه عصبی محبوب:
انواع شبکه عصبی محبوب
مدل رگرسیون فروش کینگ کانتی هاوس:
مرحله 1 - واکشی و بارگیری مجموعه داده
مرحله 2 و 3 - EDA (تجزیه و تحلیل داده های اکتشافی) و آماده سازی داده ها - قسمت 1
مرحله 2 و 3 - EDA و آماده سازی داده - قسمت 2
مرحله 4 - تعریف مدل Keras - قسمت 1
مرحله 4 - تعریف مدل Keras - قسمت 2
مرحله 5 و 6 - کامپایل و برازش مدل
مرحله 7 - آموزش و معیارها را تجسم کنید
مرحله 8 - پیش بینی با استفاده از مدل
مدل طبقه بندی دوتایی بیماری قلبی :
مدل طبقه بندی دوتایی بیماری های قلبی - مقدمه
مرحله 1 - واکشی و بارگیری داده ها
مرحله 2 و 3 - EDA و آماده سازی داده - قسمت 1
مرحله 2 و 3 - EDA و آماده سازی داده - قسمت 2
مرحله 4 - تعریف مدل
مرحله 5 و 6 - برازش و ترسیم مدل را کامپایل کنید
مرحله 7 - پیش بینی بیماری قلبی با استفاده از مدل
مدل طبقه بندی چند طبقه کیفیت شراب قرمز:
مقدمه
مرحله 1 - واکشی و بارگیری داده ها
مرحله 2 و 3 - EDA و تجسم داده ها
مرحله 4 - تعریف مدل
مرحله 5 و 6 - برازش و ترسیم مدل را کامپایل کنید
مرحله 7 - پیش بینی کیفیت شراب با استفاده از مدل
مدل آموزش‌دیده را برای استفاده بعدی سریال‌سازی و ذخیره کنید
مبانی تصویر دیجیتال:
تصویر دیجیتال
پردازش تصویر پایه با استفاده از توابع Keras - قسمت 1
پردازش تصویر پایه با استفاده از توابع Keras - قسمت 2
پردازش تصویر پایه با استفاده از توابع Keras - قسمت 3
افزایش تصویر:
تقویت تک تصویر Keras - قسمت 1
تقویت تک تصویر Keras - قسمت 2
تقویت تصویر دایرکتوری Keras
افزایش قاب داده Keras
شبکه عصبی کانولوشنال:
سی ان ان (شبکه های عصبی کانولوشنال) مبانی
مفاهیم لایه برداری و صاف کردن گام CNN
مدل طبقه‌بندی تصویر گل‌ها CNN:
بارگیری و آماده سازی داده ها
پوشه های تست و آموزش ایجاد کنید
تعریف مدل - قسمت 1
تعریف مدل - قسمت 2
تعریف مدل - قسمت 3
آموزش و تجسم
ذخیره مدل برای استفاده بعدی
مدل ذخیره شده را بارگیری و پیش بینی کنید
بهبود مدل - تکنیک های بهینه سازی
قاعده سازی ترک تحصیل
بهینه سازی لایه و فیلتر
بهینه سازی افزایش
تنظیم Hyper Parameter - قسمت 1
Hyper Parameter Tuning - Part 2
انتقال یادگیری با استفاده از مدل های از پیش آموزش دیده:
مقدمه VGG
پیش‌بینی VGG16 و VGG19:
پیش بینی VGG16 و VGG19 - قسمت 1
پیش‌بینی VGG16 و VGG19 - قسمت 2
ResNet50:
پیش بینی ResNet50
مجموعه داده گل آموزش آموزش انتقال:
VGG16 - قسمت 1
VGG16 - قسمت 2
پیش‌بینی گل آموزش انتقال:
پیش بینی گل آموزش انتقال VGG16
آموزش انتقال VGG16 با استفاده از GPU Google Colab:
آماده سازی و آپلود مجموعه داده
آموزش و پیش بینی
آموزش انتقال VGG19 با استفاده از Google Colab GPU:
آموزش و پیش بینی
ResNet-50 Transfer Learning با استفاده از Google Colab GPU:
آموزش و پیش بینی