یادگیری عمیق شبکه های عصبی CNN CNN با پایتون

در مورد یکی از قدرتمندترین معماری های عمیق یادگیری هنوز بیاموزید! تصاویر واقع گرایانه از مردم و چیزهایی که در دنیای واقعی وجود ندارند! > شما در مورد تکنیک های مدرن مانند افزایش داده ها و عادی سازی دسته ای خواهید آموخت ، و معماری های مدرن مانند VGG خود را بسازید.
این دوره به شما آموزش می دهد:
- اصول اولیه یادگیری ماشین و نورون ها برای گرم شدن شما!)
- شبکه های عصبی برای طبقه بندی و رگرسیون (فقط یک بررسی برای گرم شدن شما!)
- نحوه مدل سازی داده های تصویر در کد
- نحوه مدل سازی متن داده های NLP (از جمله مراحل پیش پردازش برای متن)
- نحوه ساخت CNN با استفاده از TensorFlow 2
- نحوه استفاده از عادی سازی دسته ای و تنظیم مجدد ترک در Tensorflow 2
- نحوه انجام طبقه بندی تصویر در Tensorflow 2
- نحوه انجام پیش پردازش داده برای مجموعه داده های سفارشی خود
- نحوه استفاده از تعبیه در Tensorflow 2 برای NLP
-نحوه ساخت طبقه بندی متن CNN برای NLP (مثال: تشخیص هرزنامه ، تجزیه و تحلیل احساسات ، برچسب زدن به قسمت های گفتار ، به رسمیت شناختن موجودیت)
تمام مواد مورد نیاز برای این دوره قابل بارگیری و نصب به صورت رایگان است. ما بیشتر کارهای خود را در Numpy ، Matplotlib و Tensorflow انجام خواهیم داد. من همیشه در دسترس هستم تا به سؤالات شما پاسخ دهم و در طول سفر علوم داده خود به شما کمک کنم.
این دوره به "نحوه ساخت و درک" می پردازد ، نه فقط "نحوه استفاده". هر کس می تواند در 15 دقیقه پس از خواندن برخی از مستندات ، در 15 دقیقه از API استفاده کند. این در مورد "به یاد آوردن حقایق" نیست ، بلکه در مورد "دیدن خودتان" از طریق آزمایش است. این به شما می آموزد که چگونه آنچه را که در مدل داخلی اتفاق می افتد تجسم کنید. اگر می خواهید بیش از یک نگاه سطحی به مدل های یادگیری ماشین ، این دوره برای شما باشد.

عنوان اصلی : Deep Learning CNN Convolutional Neural Networks with Python

سرفصل های دوره :

01 فصل 1 مقدمه دوره:
001 بررسی اجمالی دوره
002 مقدمه ای بر مربی
003 چرا CNN
004 تمرکز دوره
02 فصل 2 پردازش تصویر:
001 تصاویر در مقیاس خاکستری
آزمون 002 تصاویر در مقیاس خاکستری
003 راه حل تصاویر با مقیاس خاکستری
تصاویر 004 RGB
آزمون تصاویر RGB 005
راه حل تصاویر RGB 006
007 خواندن و نمایش تصاویر در پایتون
008 خواندن و نمایش تصاویر در آزمون پایتون
009 خواندن و نمایش تصاویر در راه حل پایتون
010 تبدیل تصویر به مقیاس خاکستری در پایتون
011 تبدیل تصویر به مقیاس خاکستری در آزمون پایتون
012 تبدیل تصویر به مقیاس خاکستری در راه حل پایتون
تشکیل تصویر 013
آزمون تشکیل تصویر 014
015 راه حل تشکیل تصویر
016 تار شدن تصویر 1
آزمون 017 تار کردن تصویر 1
راه حل 018 تاری تصویر 1
019 تار شدن تصویر 2
آزمون 2 تاری تصویر 020
راه حل تاری تصویر 2 021
022 فیلتر عمومی تصویر
پیچیدگی 023
تشخیص لبه 024
025 وضوح تصویر
026 پیاده‌سازی شفاف‌سازی تصویر با تشخیص لبه محو تصویر در پایتون
027 تشخیص شکل پارامتریک
028 پردازش تصویر
029 فعالیت پردازش تصویر
030 راه حل فعالیت پردازش تصویر
03 فصل 3 تشخیص اشیا:
001 مقدمه ای بر تشخیص اشیا
خط لوله طبقه بندی 002
آزمون خط لوله طبقه بندی 003
راه حل خط لوله طبقه بندی 004
005 اجرای پنجره کشویی
تغییر ناپذیری چرخش مقیاس 006
تمرین تغییرناپذیری چرخش مقیاس تغییر 007
008 شناسایی شخص
ویژگی های HOG 009
تمرین ویژگی های HOG 010
011 مهندسی دست در مقابل CNN
012 فعالیت تشخیص شی
04 فصل 4 نمای کلی شبکه عصبی عمیق:
001 نورون و پرسپترون
002 معماری DNN
آزمون معماری DNN 003
راه حل معماری DNN 004
005 FeedForward MLP کاملاً متصل
006 محاسبه تعداد وزن DNN
007 محاسبه تعداد وزن آزمون DNN
008 محاسبه تعداد وزن راه حل DNN
009 تعداد نورون ها در مقابل تعداد لایه ها
010 یادگیری افتراقی در مقابل یادگیری مولد
011 قضیه تقریب جهانی
012 چرا عمق
013 مرز تصمیم در DNN
014 مرز تصمیم در آزمون DNN
015 مرز تصمیم در راه حل DNN
016 BiasTerm
آزمون BiasTerm 017
راه حل BiasTerm 018
عملکرد فعال سازی 019
آزمون عملکرد فعالسازی 020
راه حل عملکرد فعال سازی 021
022 پارامترهای آموزشی DNN
آزمون پارامترهای آموزشی DNN 023
راه حل پارامترهای آموزشی DNN 024
025 گرادیان نزول
026 پس انتشار
027 آموزش انیمیشن DNN
028 وزن اولیه
امتحان اولیه وزن 029
راه حل اولیه سازی وزن 030
031 نزول گرادیان تصادفی مینی دسته
032 Batch Normalization
033 Rprop و Momentum
آزمون Rprop و Momentum 034
راه حل Rprop و Momentum 035
036 انیمیشن همگرایی
037 Dropout، Early Stop و Hyperparameters
آزمون ترک تحصیل، توقف زودهنگام و فراپارامترهای 038
039 DropOut، توقف زودهنگام و راه حل هایپرپارامترها
05 فصل پنجم معماری شبکه های عصبی عمیق:
001 Convolution Revisited
اجرای کانولوشن 002 در پایتون بازبینی شد
003 چرا پیچیدگی
004 Filters Padding Strides
005 padding image
تانسورهای ادغام 006
007 CNN مثال
008 پیچیدگی و ادغام جزئیات
تمرین MaxPooling 009
010 پیاده سازی غیربردار Conv2d و Pool2d
011 فعالیت معماری شبکه عصبی عمیق
06 فصل 6 نزول گرادیان در CNN:
001 نمونه راه اندازی
002 چرا مشتقات
آزمون 003 چرا مشتقات
004 چرا راه حل مشتقات
005 قانون زنجیره ای چیست
006 اعمال قانون زنجیره
007 گرادیان لایه MaxPooling
008 گرادیان آزمون لایه MaxPooling
009 گرادیان حل لایه MaxPooling
010 گرادیان لایه کانولوشن
011 در حال گسترش به چندین فیلتر
012 گسترش به چندین لایه
آزمون 013 گسترش به چند لایه
014 گسترش راه حل چند لایه
پیاده سازی 015 در NumPy ForwardPass
پیاده سازی 016 در NumPy BackwardPass 1
پیاده سازی 017 در NumPy BackwardPass 2
پیاده سازی 018 در NumPy BackwardPass 3
پیاده سازی 019 در NumPy BackwardPass 4
پیاده سازی 020 در NumPy BackwardPass 5
021 Gradient Descent در فعالیت CNN
07 فصل 7 مقدمه ای بر TensorFlow:
001 مقدمه ای بر TensorFlow
002 FashionMNIST نمونه طرح شبکه عصبی
003 FashionMNIST مثال CNN
004 مقدمه ای بر فعالیت تنسورفلو
08 فصل 8 CNN های کلاسیک:
001 LeNet
آزمون 002 LeNet
003 راه حل LeNet
004 AlexNet
005 VGG
006 InceptionNet
007 GoogLeNet
008 Resnet
009 فعالیت CNN کلاسیک
09 فصل 9 آموزش انتقال:
001 یادگیری انتقال چیست
002 چرا یادگیری را انتقال دهیم
003 چالش ImageNet
004 نکات کاربردی
پروژه 005 در TensorFlow
006 فعالیت یادگیری انتقال
10 فصل 10 YOLO:
001 طبقه بندی تصویر بازبینی شد
محلی سازی شیء پنجره کشویی 002
003 اجرای کارآمد پنجره کشویی
004 YOLO مقدمه
005 YOLO Training Data Generation
006 جعبه لنگر YOLO
الگوریتم 007 YOLO
008 YOLO سرکوب غیر ماکسیما
009 RCNN
010 YOLO Activity
11 فصل 11 تأیید چهره:
001 راه اندازی مشکل
002 اجرای پروژه
003 فعالیت تأیید چهره
12 فصل 12 انتقال سبک عصبی:
001 راه اندازی مشکل
002 پیاده سازی TensorFlow Hub
003 با تشکر و نتیجه گیری