(49 امتیاز از 10 رای)
Loading...
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