Udemy – TensorFlow 2.0 Practical 2022-1

در تاریخ: 1402/12/06 9:52:24

توضیحات

دوره TensorFlow 2.0 Practical. انقلاب هوش مصنوعی (AI) آمد و TensorFlow 2.0 بالاخره آمد تا آن را بسیار سریعتر انجام دهد! TensorFlow 2.0 قدرتمندترین پلتفرم منبع باز گوگل است که به تازگی برای ساخت و استقرار مدل های هوش مصنوعی در عمل منتشر شده است. فناوری هوش مصنوعی رشد تصاعدی را تجربه می کند و به طور گسترده در صنایع بهداشت، دفاع، بانکداری، بازی، حمل و نقل و صنایع روباتیک مورد استفاده قرار می گیرد. هدف از این دوره ارائه دانش عملی به دانشجویان در زمینه ساخت، آموزش، آزمایش و استقرار شبکه های عصبی مصنوعی و مدل های یادگیری عمیق با استفاده از TensorFlow 2.0 و Google Colab است. این دوره تجربه عملی عملی را در آموزش شبکه‌های عصبی مصنوعی و شبکه‌های عصبی کانولوشنال با استفاده از مجموعه داده‌های دنیای واقعی با استفاده از TensorFlow 2.0 و Google Colab به دانشجویان ارائه می‌دهد. این دوره چندین تکنیک را به صورت عملی پوشش می دهد، پروژه ها شامل اما نه محدود به:

(1) شبکه‌های عصبی مصنوعی را به جلو هدایت کنید تا وظایف رگرسیونی مانند پیش‌بینی فروش/درآمد و پیش‌بینی قیمت خانه را انجام دهید.

(2) توسعه شبکه های عصبی مصنوعی در زمینه پزشکی برای انجام وظایف طبقه بندی مانند تشخیص دیابت.

(3) آموزش مدل های یادگیری عمیق برای انجام وظایف طبقه بندی تصویر مانند تشخیص چهره، طبقه بندی مد و طبقه بندی علائم راهنمایی و رانندگی.

(4) مدل های هوش مصنوعی را برای انجام تجزیه و تحلیل احساسات و تجزیه و تحلیل نظرات مشتریان ایجاد کنید.

(5) تجسم مدل های هوش مصنوعی را انجام دهید و عملکرد آنها را با استفاده از Tensorboard ارزیابی کنید

(6) مدل‌های هوش مصنوعی را با استفاده از سرویس Tensorflow 2.0 در عمل پیاده‌سازی کنید

هدف این دوره برای دانش‌آموزانی است که می‌خواهند به درک اساسی از نحوه ساخت و استقرار مدل‌ها در Tensorflow 2.0 دست یابند. دانش اولیه برنامه نویسی توصیه می شود. با این حال، این موضوعات به طور گسترده در طول سخنرانی های دوره اولیه پوشش داده خواهد شد. بنابراین، این دوره هیچ پیش نیازی ندارد و برای هر دانشجویی که دانش اولیه برنامه نویسی داشته باشد آزاد است. دانش آموزانی که در این دوره ثبت نام می کنند، بر تکنیک های هوش مصنوعی و یادگیری عمیق تسلط خواهند داشت و می توانند مستقیماً از این مهارت ها برای حل مشکلات چالش برانگیز دنیای واقعی با استفاده از TensorFlow 2.0 جدید گوگل استفاده کنند.

آنچه که در دوره TensorFlow 2.0 Practical فرا خواهید گرفت

برای ساخت، آموزش، آزمایش و استقرار مدل‌های شبکه‌های عصبی مصنوعی (ANN) به TensorFlow 2.0 که به تازگی منتشر شده است، تسلط پیدا کنید.
با نحوه توسعه مدل‌های ANN و آموزش آن‌ها در Google’s Colab در حالی که از قدرت GPU و TPU استفاده می‌کنید، بیاموزید.
مدل‌های ANN را در عمل با استفاده از سرویس TensorFlow 2.0 اجرا کنید.
نحوه تجسم نمودار مدل ها و ارزیابی عملکرد آنها در طول تمرین با استفاده از Tensorboard را بیاموزید.
تئوری و ریاضیات اساسی در پشت شبکه های عصبی مصنوعی و شبکه های عصبی کانولوشنال (CNN) را درک کنید.
یاد بگیرید که چگونه وزن ها و بایاس های شبکه را آموزش دهید و عملکردهای انتقال مناسب را انتخاب کنید.
آموزش شبکه‌های عصبی مصنوعی (ANN) با استفاده از روش‌های انتشار پس و نزول گرادیان.
بهینه سازی پارامترهای فوق العاده شبکه های عصبی مصنوعی مانند تعداد لایه های پنهان و نورون ها برای افزایش عملکرد شبکه.
برای انجام وظایف رگرسیونی مانند پیش‌بینی قیمت مسکن و پیش‌بینی فروش/درآمد، از شبکه‌های عصبی مصنوعی استفاده کنید.
ارزیابی عملکرد مدل‌های ANN آموزش‌دیده برای وظایف رگرسیونی با استفاده از KPI (شاخص‌های عملکرد کلیدی) مانند میانگین خطای مطلق، میانگین مربع خطا، و ریشه میانگین مربعات خطا، R-Squared و Adjusted R-Squared.
ارزیابی عملکرد مدل های ANN آموزش دیده برای وظایف طبقه بندی با استفاده از KPI مانند دقت، دقت و یادآوری.
از شبکه های عصبی کانولوشنال برای طبقه بندی تصاویر استفاده کنید.
نمونه پروژه های واقعی و عملی:
پروژه شماره 1: آموزش ANN ساده برای تبدیل دمای درجه سانتیگراد به فارنهایت
پروژه شماره 2 (تمرین): آموزش ANN Feedforward برای پیش بینی درآمد/فروش
پروژه شماره 3: به عنوان یک مشاور املاک و مستغلات، قیمت خانه را با استفاده از ANN (وظیفه رگرسیون) پیش بینی کنید.
پروژه شماره 4 (تمرین): به عنوان یک صاحب کسب و کار، استفاده از دوچرخه را پیش بینی کنید (وظیفه رگرسیون)
پروژه شماره 5: توسعه شبکه های عصبی مصنوعی در زمینه پزشکی برای انجام وظایف طبقه بندی مانند تشخیص دیابت (تکلیف طبقه بندی)
پروژه شماره 6: مدل های هوش مصنوعی را برای انجام تجزیه و تحلیل احساسات و تجزیه و تحلیل نظرات مشتریان آنلاین ایجاد کنید.
پروژه شماره 7: آموزش مدل های یادگیری عمیق LeNet برای انجام طبقه بندی علائم راهنمایی و رانندگی.
پروژه شماره 8: CNN را برای انجام طبقه بندی مد آموزش دهید
پروژه شماره 9: CNN را برای انجام طبقه بندی تصاویر با استفاده از مجموعه داده Cifar-10 آموزش دهید
پروژه شماره 10: مدل طبقه‌بندی تصویر یادگیری عمیق را با استفاده از سرویس TF اجرا کنید