Oreilly – Deep Learning with Python, Second Edition, Video Edition 2021-4

توضیحات

دوره Deep Learning with Python Second Edition Video Edition. این دوره آموزشی ویدیویی، کتاب “یادگیری عمیق با پایتون، ویرایش دوم” را به صورت تصویری و صوتی ارائه می‌دهد. در این دوره، گوینده کتاب را می‌خواند و در عین حال، محتوا، تصاویر، کدها، نمودارها و متن روی صفحه نمایش داده می‌شود. این دوره مانند یک کتاب صوتی است که می‌توانید به صورت ویدیویی نیز تماشا کنید.

این دوره به شما کمک می‌کند تا با پیشرفت‌های چشمگیر یادگیری عمیق آشنا شوید. این دوره توسط خالق کتابخانه Keras نوشته شده و تکنیک‌های عملی یادگیری عمیق با پایتون را به شما آموزش می‌دهد که به راحتی در دنیای واقعی قابل استفاده هستند. در این دوره، مفاهیم پیچیده به زبان ساده توضیح داده شده و از طریق کدهای عملی پایتون به شما آموزش داده می‌شود. همچنین، بینش‌های ارزشمندی درباره معماری‌های مختلف مدل و نکات آموزشی ارائه می‌شود.

آنچه فرا خواهید گرفت

• یادگیری عمیق از اصول اولیه
• طبقه‌بندی و بخش‌بندی تصویر
• پیش‌بینی سری زمانی
• طبقه‌بندی متن و ترجمه ماشینی
• تولید متن، انتقال سبک عصبی و تولید تصویر

این دوره مناسب افرادیست که

• به زبان برنامه‌نویسی پایتون مسلط هستند.
• تجربه قبلی در Keras، TensorFlow یا یادگیری ماشین ندارند.

مشخصات دوره

• ناشر: Oreilly
• مدرس: Francois Chollet
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 15 ساعت و 2 دقیقه
• تعداد دروس: 96

سرفصل های دوره

• Chapter 1 What is deep learning?
• Chapter 1 Learning rules and representations from data
• Chapter 1 Understanding how deep learning works, in three figures
• Chapter 1 Before deep learning: A brief history of machine learning
• Chapter 1 Back to neural networks
• Chapter 1 Why deep learning? Why now?
• Chapter 1 Algorithms
• Chapter 2 The mathematical building blocks of neural networks
• Chapter 2 Data representations for neural networks
• Chapter 2 Real-world examples of data tensors
• Chapter 2 The gears of neural networks: Tensor operations
• Chapter 2 Tensor reshaping
• Chapter 2 The engine of neural networks: Gradient-based optimization
• Chapter 2 Derivative of a tensor operation: The gradient
• Chapter 2 Chaining derivatives: The Backpropagation algorithm
• Chapter 2 Looking back at our first example
• Chapter 3 Introduction to Keras and TensorFlow
• Chapter 3 Setting up a deep learning workspace
• Chapter 3 First steps with TensorFlow
• Chapter 3 Anatomy of a neural network: Understanding core Keras APIs
• Chapter 3 The “compile” step: Configuring the learning process
• Chapter 4 Getting started with neural networks: Classification and regression
• Chapter 4 Building your model
• Chapter 4 Classifying newswires: A multiclass classification example
• Chapter 4 Predicting house prices: A regression example
• Chapter 5 Fundamentals of machine learning
• Chapter 5 The nature of generalization in deep learning
• Chapter 5 Evaluating machine learning models
• Chapter 5 Improving model fit
• Chapter 5 Improving generalization
• Chapter 5 Regularizing your model
• Chapter 6 The universal workflow of machine learning
• Chapter 6 Collect a dataset
• Chapter 6 Develop a model
• Chapter 6 Beat a baseline
• Chapter 6 Deploy the model
• Chapter 6 Monitor your model in the wild
• Chapter 7 Working with Keras: A deep dive
• Chapter 7 Subclassing the Model class
• Chapter 7 Using built-in training and evaluation loops
• Chapter 7 Writing your own training and evaluation loops
• Chapter 7 Make it fast with tf.function
• Chapter 8 Introduction to deep learning for computer vision
• Chapter 8 The convolution operation
• Chapter 8 Training a convnet from scratch on a small dataset
• Chapter 8 Data preprocessing
• Chapter 8 Leveraging a pretrained model
• Chapter 8 Feature extraction with a pretrained model
• Chapter 9 Advanced deep learning for computer vision
• Chapter 9 Modern convnet architecture patterns
• Chapter 9 Residual connections
• Chapter 9 Depthwise separable convolutions
• Chapter 9 Interpreting what convnets learn
• Chapter 9 Visualizing convnet filters
• Chapter 9 Visualizing heatmaps of class activation
• Chapter 10 Deep learning for timeseries
• Chapter 10 Preparing the data
• Chapter 10 Let’s try a basic machine learning model
• Chapter 10 Understanding recurrent neural networks
• Chapter 10 A recurrent layer in Keras
• Chapter 10 Advanced use of recurrent neural networks
• Chapter 10 Using bidirectional RNNs
• Chapter 11 Deep learning for text
• Chapter 11 Preparing text data
• Chapter 11 Vocabulary indexing
• Chapter 11 Two approaches for representing groups of words: Sets and sequences
• Chapter 11 Processing words as a sequence: The sequence model approach, Part 1
• Chapter 11 Processing words as a sequence: The sequence model approach, Part 2
• Chapter 11 The Transformer architecture
• Chapter 11 The Transformer encoder
• Chapter 11 Beyond text classification: Sequence-to-sequence learning
• Chapter 11 Sequence-to-sequence learning with Transformer
• Chapter 12 Generative deep learning
• Chapter 12 How do you generate sequence data?
• Chapter 12 A text-generation callback with variable-temperature sampling
• Chapter 12 DeepDream
• Chapter 12 Neural style transfer
• Chapter 12 Generating images with variational autoencoders
• Chapter 12 Implementing a VAE with Keras
• Chapter 12 A bag of tricks
• Chapter 13 Best practices for the real world
• Chapter 13 Hyperparameter optimization
• Chapter 13 Scaling-up model training
• Chapter 13 Multi-GPU training
• Chapter 13 TPU training
• Chapter 14 Conclusions
• Chapter 14 Key enabling technologies
• Chapter 14 Key network architectures
• Chapter 14 The limitations of deep learning
• Chapter 14 Local generalization vs. extreme generalization
• Chapter 14 The purpose of intelligence
• Chapter 14 Setting the course toward greater generality in AI
• Chapter 14 Implementing intelligence: The missing ingredients
• Chapter 14 The missing half of the picture
• Chapter 14 Blending together deep learning and program synthesis
• Chapter 14 Lifelong learning and modular subroutine reuse

تصاویر دوره  Deep Learning with Python Second Edition Video Edition

نمونه فیلم دوره

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 546 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

1.5 گیگابایت