توضیحات
Modern Deep Learning in Python دوره آموزش جامع و پروژه محور یادگیری عمیق با زبان برنامه نویسی پایتون است که توسط آکادمی یودمی منتشر شده است. پایتون یک زبان برنامه نویسی سطح بالا است که در حیطه های مختلف مانند علم داده، یادگیری ماشین، یادگیری عمیق و هوش مصنوعی استفاده می شود. بر پایه این زبان برنامه نویسی کتابخانه ها و فریمورک ها متنوعی توسعه یافته است که از جمله مهم ترین آن ها می توان به Tensorflow ،Theano ،Keras ،PyTorch ،CNTK و MXNet اشاره کرد. در این دوره آموزشی با تکینک های یادگیری دسته ای و گرادیان کاهشی تصادفی (stochastic gradient descent) آشنا خواهید شد. با استفاده از این دو تکنیک شما قادرید تا شبکه عصبی مصنوعی را با استفاده از مجموعه ای محدود از داده ها تمرین داده و فرآیند یادگیری و تمرین شبکه را سرعت ببخشید.
این دوره آموزشی بسیاری از مباحث پیچیده حوزه یادگیری ماشین و یادگیری عمیق را در بر می گیرد که از جمله مهم ترین آن ها می توان به مومنتوم، نرخ یادگیری تطبیقی (adaptive learning rate) و تکنیک های آن مانند AdaGrad ،RMSprop و Adam، تکنیک های منظم سازی (dropout regularization) و نرمال سازی دسته (Batch normalization) و پیاده سازی آن ها در کتابخانه های Theano و TensorFlow اشاره کرد. این دو کتابخانه از نظر عملکرد خالص و سرعت مزیت های منحصر به فردی نسبت به سایر کتابخانه ها دارند. در این دو کتابخانه کاربر می تواند از ظرفیت پردازشی کارت گرافیک برای افزایش سرعت پردازش ها استفاده کند. این دوره آموزشی کاملا عملی و پروژه محور بوده و در طی روند آموزشی آن از دیتاست و مجموعه داده های واقعی استفاده خواهید کرد.
آنچه در دوره Modern Deep Learning in Python فرا خواهید گرفت:
- اضافه کردن مومنتوم (momentum) به روش پسانتشار (backpropagation) برای توسعه شبکه های عصبی
- نرخ یادگیری تطبیقی و تکنیک های مرتبط با آن مانند AdaGrad ،RMSprop و Adamگ
- عناصر تشکیل دهنده کتابخانه Theano مانند متغیر ها و توابع
- توسعه شبکه عصبی مصنوعی با کتابخانه Theano
- کتابخانه TensorFlow و مزیت های آن
- توسعه شبکه عصبی مصنوعی با کتابخانه TensorFlow
- پایگاه داده امانآیاستی (MNIST dataset)
- الگوریتم بهینه سازی گرادیان کاهشی (Gradient descent)
- گرادیان کاهشی تصادفی (stochastic gradient descent)
- پیاده سازی تکنیک dropout regularization در کتابخانه های Theano و TensorFlow
- پیاده سازی تکنیک نرمال سازی دسته (Batch normalization) در کتابخانه های Theano و TensorFlow
- توسعه شبکه عصبی مصنوعی با Keras ،PyTorch ،CNTK و MXNet
مشخصات دوره
ناشر: یودمی
مدرس: Lazy Programmer Inc
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 87
مدت زمان آموزش: 11 ساعت و 15 دقیقه
سرفصل های دوره در تاریخ 2021/10
پیش نیازهای دوره Modern Deep Learning in Python
Be comfortable with Python, Numpy, and Matplotlib
If you do not yet know about gradient descent, backprop, and softmax, take my earlier course, Deep Learning in Python, and then return to this course.
Suggested Prerequisites:
Know about gradient descent
Probability and statistics
Python coding: if/else, loops, lists, dicts, sets
Numpy coding: matrix and vector operations, loading a CSV file
Know how to write a neural network with Numpy
تصاویر دوره
فیلم معرفی دوره Modern Deep Learning in Python
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
2.9 گیگابایت
