آموزش یادگیری عمیق با پایتون (Deep Learning with Python) به همراه فایل تمرین

deep learning python video 22831 تصویر

آموزش یادگیری عمیق با پایتون

در این بخش فیلم آموزش یادگیری عمیق با پایتون (Python) را به زبان انگلیسی آماده کرده ایم که در قالب ۸ بخش و ۳۱ قسمت در مدت ۲ ساعت و ۳۷ دقیقه با کیفیت بالا تهیه شده است. این آموزش محصولی از سایت پکت پاب (packtpub) بوده و مدرس آن نیز رادیکا داتار (Radhika Datar) است. در ادامه به معرفی دوره پرداخته و سرفصل ها به همراه لینک دانلود رایگان آموزش و فایل های تمرینی استفاده شده در دوره قرار داده شده است.

معرفی دوره آموزش یادگیری عمیق با پایتون

یادگیری عمیق (Deep Learning) گام بعدی در پیاده سازی پیشرفته تر یادگیری ماشین (Machine Learning) می باشد. دوره آموزشی پیش رو، با توجه به مفاهیم یادگیری عمیق (Deep Learning) ، سردرگمی علاقه مندان را بین یادگیری ماشین و یادگیری عمیق را برطرف می سازد. روش های یادگیری عمیق در سناریوهای دنیای واقعی، در زمینه هایی مثل اسکن تصویر، تشخیص چهره (Face Recognition) و دیگر زمینه ها مورد استفاده قرار می گیرد. شناخت و اطلاع داشتن از الگوریتم های یادگیری عمیق بسیار مهم و حائز اهمیت می باشد، چرا که در حال حاضر گرایش هایی در زمینه هایی همچون مراقبت های بهداشتی (Health Cares) ، مالی و دیگر موارد وجود دارد.

این دوره آموزشی یادگیری عمیق با پایتون (Python) ، به شما دانشجویان و علاقه مندان این حوزه کمک می کند تا مسائل مختلفی که در زمان ایجاد اپلیکیشن های یادگیری عمیق (Deep Learning) با آنها مواجه می شوید را خودتان برطرف نمائید. برای ساخت شبکه های عصبی مصنوعی (Artificial Neural Networks – ANN) ، یادگیری تقویتی (Reinforcement Learning – RL) ، کار با اپلیکیشن های یادگیری عمیق مثل بینایی کامپیوتر (Computer vision) یا بینایی ماشین (Machine vision) ، تشخیص صدا (Voice Recognition) و تشخیص تصویر (Image Recognition) ، این دوره راهنمای مناسب شما برای مقابله با موقعیت ها و مسائل مختلف خواهد بود.

سرفصل های آموزش یادگیری عمیق با پایتون

ایجاد و ارزیابی یک شبکه عصبی

  • مروری بر دوره
  • آشنایی کلی با یادگیری عمیق و شبکه های عصبی
  • ساخت یک شبکه های عصبی
  • ارزیابی شبکه های عصبی

کشف ویژگی ها

  • بررسی مجموعه داده Ohio Clinic
  • تجزیه و تحلیل و کشف داده
  • کشف ویژگی مجموعه داده ها
  • انجام تحلیل بر روی داده

ایجاد ماژول تشخیص تصویر

  • آشنایی با سیستم های تشخیص تصویر
  • راه اندازی محیط کاری
  • شروع استفاده از Spyder IDE
  • انجام انکود تصویر
  • درک عملکرد تست و خروجی از سیستم

ایجاد ماژول تشخیص چهره

  • معرفی سیستم تشخیص چهره
  • بررسی و بیان مسئله
  • خروجی گرفتن و بررسی فایل تشخیص چهره

بهبود عملکرد با Keras

  • معرفی Keras
  • معرفی شبکه عصبی Feedforward
  • ارائه شبکه عصبی Feedforward ساده با استفاده از Keras
  • مقیاس گذاری تصاویر ورودی

خصوصیات اسناد

  • معرفی LSTM
  • بررسی معماری LSTM
  • آشنایی با چگونگی عملکرد شبکه LSTM
  • تناسب خروجی و شبکه عصبی

ایجاد خلاصه متن با یادگیری عمیق

  • خلاصه سازی متن
  • درک بیان مسئله
  • آموزش و تست داده (آموزش شبکه عصبی)
  • آماده سازی داده

تولید گفتگو با یادگیری عمیق

  • معرفی مدل Encode-Decode
  • پیاده سازی Decoder و Encoder
  • تعریف ماژول و خروجی

مشاهده ویدئو در این باره

خوشحال خواهیم شد اگر نظر خودتون رو درباره این مطلب ثبت کنید

خطا!دکمه ریفریش را بزنید

    لیســــــــت پــــــــروژه های انتشــــــــار نشده ( 22 موضوع )

    مشاهده لیست کامل
    مشاهده لیست کامل
    socket programing آموزش برنامه نویسی آموزش سی شارپ بازی تحت شبکه بازی تحت شبکه به زبان سی شارپ برنامه تحت شبکه با سی شارپ برنامه نویسی ترجمه مقاله ترجمه مقاله شبکه خرید سورس بازی تحت شبکه دانلود بازی تحت شبکه دانلود رایگان پروژه های دانشجویی دانلود سورس برنامه دانلود سورس رایگان دانلود نرم افزار دانلود پروژه دانشجویی دانلود پروژه رایگان دانلود پروژه های دانشجویی دانلود کتاب دانلود کتاب آموزشی دانلود کتاب اموزشی سورس بازی با socket programing سورس رایگان سورس کد بازی تحت شبکه سورس کد بازی تحت شبکه با C# سورس کد بازی تحت شبکه چند نفره سوکت پروگرمین نحوه نوشتن برنامه تحت شبکه نحوه نوشتن برنامه تحت شبکه به زبان سی شارپ پروژه arena پروژه matlab پروژه ns2 پروژه opnet پروژه ارنا پروژه برای درس مهندسی اینترنت پروژه سیمولینک matlab پروژه مهندسی صنایع پروژه مهندسی صنایع با ارنا پروژه های آماده با OpenGL پروژه های آماده با OpenGL در سی پلاس پلاس پروژه های آماده با ارنا پروژه های آماده برای درس گرافیک کامپیوتری پروژه هوش مصنوعی پروژه پردازش تصویر matlab پروژه پردازش سیگنال matlab