Udemy Tensorflow 2.0 Deep Learning and Artificial Intelligence
شبکه های عصبی را برای چشم انداز رایانه ، پیش بینی سری زمان ، NLP ، GAN ها ، تقویت آموزش و موارد دیگر بیاموزید. به Tensorflow 2.0 خوش آمدید. چه زمان هیجان انگیزی است. از زمان انتشار Tensorflow نزدیک به 4 سال می گذرد و کتابخانه به نسخه دوم رسمی خود تبدیل شده است. Tensorflow کتابخانه Google برای یادگیری عمیق و هوش مصنوعی است. یادگیری عمیق اخیراً مسئول برخی از دستاوردهای شگفت انگیز بوده است ، مانند : ایجاد تصاویر زیبا و واقعی از مردم و چیزهایی که هرگز وجود نداشته اند (GAN). ضرب و شتم قهرمانان جهان در بازی استراتژی Go ، و بازی های ویدیویی پیچیده مانند CS: GO و Dota 2 (آموزش عمیق تقویت). اتومبیل های خودران (Computer Vision). تشخیص گفتار (به عنوان مثال Siri) و ترجمه ماشینی (پردازش زبان طبیعی). حتی ایجاد فیلم هایی از افراد در حال انجام و گفتن چیزهایی که هرگز انجام نداده اند. Tensorflow مشهورترین کتابخانه جهان برای یادگیری عمیق است و توسط گوگل ساخته شده است ، که پدر و مادر آن Alphabet اخیراً پولدارترین شرکت در جهان شده است (فقط چند روز قبل از نوشتن این مقاله). این کتابخانه برای بسیاری از شرکتهای یادگیری ماشین و هوش مصنوعی انتخاب می شود. به عبارت دیگر ، اگر می خواهید یادگیری عمیق انجام دهید ، باید Tensorflow را بشناسید. دوره Udemy Tensorflow 2.0 Deep Learning and Artificial Intelligence برای دانشجویان سطح مبتدی تا دانشجویان سطح خبره است. این چگونه می تواند باشد؟ اگر فقط پیش نیاز رایگان Numpy من را انتخاب کرده اید ، پس می دانید همه چیزهایی را که برای پریدن در آن لازم دارید می دانید. ما با چند مدل اساسی یادگیری ماشین شروع می کنیم و به مفاهیم پیشرفته هنر می رسیم. در طول مسیر ، شما با تمام معماری های اصلی یادگیری عمیق ، مانند شبکه های عصبی عمیق ، شبکه های عصبی Convolutional (پردازش تصویر) و شبکه های عصبی (داده های توالی) آشنا خواهید شد. این دوره Udemy Tensorflow 2.0 Deep Learning and Artificial Intelligence برای دانشجویانی طراحی شده است که می خواهند سریع یاد بگیرند ، اما در مواردی که می خواهید کمی بیشتر به تئوری بپردازید ، بخشهای “عمیق” وجود دارد (مانند آنچه که تابع از دست دادن است و انواع مختلف گرادیان چیست). این دوره بیشتر از اینکه به عمق بپردازد ، با تئوری کمتری در جهت ساختن چیزهای جذاب بیشتر تمرکز دارد. اگر شما به دنبال یک دوره تئوری متراکم تر هستید ، این دوره مناسب شما نیست. به طور کلی ، برای هر یک از این مباحث (سیستم های توصیه گر ، پردازش زبان طبیعی ، یادگیری تقویت ، دید کامپیوتر ، GAN ها و غیره) من در حال حاضر دوره هایی را به صورت اختصاصی بر روی آن موضوعات گذرانده ام.
- آنچه در دوره Udemy Tensorflow 2.0 Deep Learning and Artificial Intelligence خواهید آموخت :
- شبکه های عصبی مصنوعی (ANN) و شبکه های عصبی عمیق (DNN)
- بازده سهام را پیش بینی کنید
- پیش بینی سری زمانی
- چشم انداز کامپیوتر
- چگونه می توان یک ربات معاملات سهام با یادگیری تقویت عمیق ساخت
- سیستم توصیه گر
- تشخیص تصویر
- شبکه های عصبی کانولوشن (CNN)
- شبکه های عصبی راجعه (RNN)
- برای ارائه مدل خود با استفاده از RESTful API از Tensorflow Serving استفاده کنید
- برای صادرات مدل خود برای تلفن همراه (Android ، iOS) و دستگاه های جاسازی شده ، از Tensorflow Lite استفاده کنید
- برای موازی سازی یادگیری از استراتژی های توزیع Tensorflow استفاده کنید
- پردازش زبان طبیعی (NLP) با یادگیری عمیق
- این دوره آموزشی برای چه کسانی است :
- مبتدیان تا دانشجویان پیشرفته که می خواهند با یادگیری عمیق و هوش مصنوعی در Tensorflow 2.0 آشنا شوند.
- What you’ll learn
- Artificial Neural Networks (ANNs) / Deep Neural Networks (DNNs)
- Predict Stock Returns
- Time Series Forecasting
- Computer Vision
- How to build a Deep Reinforcement Learning Stock Trading Bot
- GANs (Generative Adversarial Networks)
- Recommender Systems
- Image Recognition
- Convolutional Neural Networks (CNNs)
- Recurrent Neural Networks (RNNs)
- Use Tensorflow Serving to serve your model using a RESTful API
- Use Tensorflow Lite to export your model for mobile (Android, iOS) and embedded devices
- Use Tensorflow’s Distribution Strategies to parallelize learning
- Low-level Tensorflow, gradient tape, and how to build your own custom models
- Natural Language Processing (NLP) with Deep Learning
- Demonstrate Moore’s Law using Code
- Transfer Learning to create state-of-the-art image classifiers
- Requirements
- Know how to code in Python and Numpy
- For the theoretical parts, understand derivatives and probability
لینک دانلود
