توضیحات
Deep Learning with Python: CNN, ANN & RNN Specialization، دوره آموزش یادگیری عمیق با پایتون: تخصص CNN، ANN و RNN توسط آکادمی Coursera منتشر شده است.تخصص یادگیری عمیق با پایتون: CNN، ANN و RNN یک برنامه عملی است که به شما آموزش میدهد چگونه شبکههای عصبی را برای پروژههای واقعی هوش مصنوعی بسازید، آموزش دهید و بهینهسازی کنید. در این دوره با پروژههای کاربردی و مطالعات موردی واقعی، بر شبکههای عصبی کانولوشنی (CNN)، شبکههای عصبی مصنوعی (ANN) و شبکههای عصبی بازگشتی (RNN) در پایتون مسلط میشوید. دوره مفاهیم اساسی یادگیری عمیق، ارزیابی مدل و تکنیکهای بهینهسازی را پوشش میدهد و مهارتهای لازم برای حل طیف وسیعی از چالشهای هوش مصنوعی را در اختیار شما قرار میدهد. در پایان، قادر خواهید بود مدلهای یادگیری عمیق را برای کاربردهای مختلف با پایتون طراحی، پیادهسازی و ارزیابی کنید.
آنچه خواهید آموخت
- ساخت، آموزش و بهینهسازی شبکههای عصبی با استفاده از پایتون
- تسلط بر CNN، ANN و RNN برای پروژههای واقعی هوش مصنوعی
- بهکارگیری یادگیری عمیق برای دادههای تصویری، دنبالهای و سری زمانی
- ارزیابی و بهبود عملکرد مدل با تکنیکهای عملی
- انجام پروژههای عملی و مطالعات موردی واقعی
این دوره برای چه کسانی مناسب است
- مبتدیان و توسعهدهندگانی که به یادگیری عمیق با پایتون علاقهمندند
- دانشمندان داده و مهندسانی که به دنبال تجربه عملی پروژههای هوش مصنوعی هستند
- هر کسی که میخواهد یادگیری عمیق را در مسائل واقعی به کار گیرد
مشخصات دوره Deep Learning with Python: CNN, ANN & RNN Specialization
- ناشر : Coursera
- مدرس : EDUCBA
- زبان: انگلیسی
- سطح آموزش: مقدماتی
- تعداد دروس: 3
- مدت زمان آموزش: 4 هفته با احتساب 10 ساعت کار در هفته
سر فصل های دوره Deep Learning with Python: CNN, ANN & RNN Specialization

پیش نیاز های دوره
- Basic Python, statistics, and machine learning knowledge recommended
تصاویر

فیلم نمونه
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
لینک دانلود
Course 1 – Master CNNs with Python: Build, Train & Evaluate Models
Course 2 – Deep Learning with ANN in Python: Build & Optimize
Course 3 – Deep Learning RNN & LSTM: Stock Price Prediction
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
1.06 گیگابایت












































