Deep Learning with Python and Keras
این
دوره برای معرفی کامل آموزش عمیق جمع آوری شده است. این فیلم آموزشی برای برنامه نویسان مبتدی و متوسط و دانشمندان داده است که با پایتون آشنا هستند و می خواهند تکنیک های یادگیری عمیق را در انواع مشکلات درک کنند و از آنها استفاده کنند. ما با مرور برنامه های Deep Learning و خلاصه ای از ابزارها و تکنیک های یادگیری ماشین شروع می کنیم. سپس شبکه های عصبی مصنوعی را معرفی می کنیم و نحوه آموزش آنها برای حل مشکلات رگرسیون و طبقه بندی را توضیح می دهیم. در بقیه دوره ، ما چندین معماری از جمله شبکه های عصبی کاملاً متصل ، کانولوشن و تکرار شونده را معرفی و توضیح می دهیم و برای هر یک از این دو تئوری را توضیح می دهیم و بسیاری از کاربردهای مثال را ارائه می دهیم. دوره Deep Learning with Python and Keras تعادل خوبی بین تئوری و عمل است. ما از توضیح جزئیات ریاضی پرهیز نمی کنیم و همزمان تمرینات و کد نمونه را برای استفاده از مطالبی که به تازگی آموخته اید ، ارائه می دهیم. هدف این است که دانش آموزان را با یک پایه قوی ، نه فقط تئوری ، نه فقط برنامه نویسی ، بلکه هر دو فراهم کنیم. در پایان دوره شما می توانید تشخیص دهید که کدام مشکلات را می توان با Deep Learning حل کرد ، شما می توانید انواع مدل های شبکه عصبی را طراحی و آموزش دهید و می توانید از رایانش ابری برای سرعت بیشتر آموزش و بهبود عملکرد مدل خود استفاده کنید.- آنچه خواهید آموخت :
- To describe what Deep Learning is in a simple yet accurate way
- To explain how deep learning can be used to build predictive models
- To distinguish which practical applications can benefit from deep learning
- To install and use Python and Keras to build deep learning models
- To apply deep learning to solve supervised and unsupervised learning problems involving images, text, sound, time series and
- tabular data.
- To build, train and use fully connected, convolutional and recurrent neural networks
- To look at the internals of a deep learning model without intimidation and with the ability to tweak its parameters
- To train and run models in the cloud using a GPU
- To estimate training costs for large models
- To re-use pre-trained models to shortcut training time and cost (transfer learning)
- نیازمندی ها :
- دانش پایتون ، آشنایی با جریان کنترل (در صورت وجود دیگر برای حلقه ها) و سازه های پیتونیک (توابع ، کلاس ها ، تکرارها ، ژنراتورها)
- استفاده از پوسته bash (یا خط فرمان معادل) و دستورات اساسی برای کپی و انتقال پرونده ها
- دانش پایه جبر خطی (بردار چیست ، ماتریس چیست ، نحوه محاسبه محصول نقطه)
- استفاده از ssh برای اتصال به رایانه ابر
- این دوره اموزشی برای چه کسانی است :
- مهندسین نرم افزار که در مورد علم داده و درباره وزوز یادگیری عمیق کنجکاو هستند و می خواهند درک بهتری از آن داشته باشند
- دانشمندان داده که با یادگیری ماشینی آشنا هستند و می خواهند دانش بنیادی قوی در مورد یادگیری عمیق ایجاد کنند
