Udemy – The Complete Neural Networks Bootcamp: Theory, Applications 2021-11

توضیحات

The Complete Neural Networks Bootcamp: Theory, Applications دوره آموزش توسعه شبکه های عصبی و سیستم های مبتنی بر یادگیری عمیق با زبان برنامه نویسی پایتون و کتابخانه PyTorch می باشد که توسط آکادمی یودمی منتشر شده است. این دوره آموزشی تمامی مباحث تئوری و عملی را شامل شده و رویکردی کاملا عملی و پروژه محور دارد.

آنچه در دوره The Complete Neural Networks Bootcamp: Theory, Applications فرا خواهید گرفت:

• تئوری و شیوه کار شبکه های عصبی مصنوعی
• توسعه الگوریتم های پس انتشار (Backpropagation)
• توابع فعال ساز در شبکه های عصبی
• توابع هزینه یا زیان (loss functions) و کاربرد آن ها در یادگیری عمیق و شبکه های عصبی
• تکنیک های بهینه سازی مختلف برای رسیدن به نقطه بهینه در شبکه های عصبی
• الگوریتم بهینه سازی گرادیان کاهشی (Gradient Descent)
• الگوریتم بهینه سازی گرادیان کاهشی تصادفی (Stochastic Gradient Descent)
• الگوریتم بهینه سازی تکانه (Momentum)
• روش گرادیان انطباقی (AdaGrad)
• الگوریتم RMSProp
• روش تخمین تکانه تطبیق‌پذیر (Adam)
• تکنیک های منظم سازی (regularization techniques) در شبکه های عصبی
• آشنایی با پدیده بیش‌برازش (overfitting) و تکنیک های جلوگیری از آن
• تکنیک حذف تصادفی برای کاهش بیش‌برازش در شبکه‌های عصبی
• تکنیک های نرمال سازی (normalization)
• بچ نرمالیزیشن (batch normalization)
• نرمال سازی لایه (Layer Normalization)
• فریمورک یادگیری عمیق پایتورچ (PyTorch)
• نصب و پیکربندی فریمورک PyTorch
• شبکه عصبی پیشخور (Feed Forward Neural Network)
• طبقه بندی ارقام دست نویس با شبکه عصبی پیشخور
• طبقه بندی افراد دیابتی با استفاده از شبکه عصبی پیشخور
• تمرین دادن و آموزش شبکه عصبی مصنوعی روی مجموعه ای از دیتاست های مختلف
• مصورسازی و نمایش گرافیکی فرآیند یادگیری و تمرین شبکه های عصبی
• جداسازی داده های غیر خطی
• طراحی و توسعه شبکه های عصبی بدون کتابخانه ها و فریمورک های خاص و تنها با استفاده از زبان برنامه نویسی پایتون و کتابخانه numpy
• شبکه عصبی پیچشی (Convolutional Networks)
• معماری ها و الگوهای توسعه پر استفاده در توسعه پروژه های مبتنی بر یادگیری عمیق
• معماری الکس نت (AlexNet)
• شبکه‌ی عصبی وی جی جی نت (VGGNet)
• معماری Inception Net
• شبکه باقیمانده عمیق (Residual Network)
• تشخیص شئ یا Object Detection در یادگیری عمیق
• یادگیری انتقال (Transfer Learning)
• پیاده سازی تکنیک های تشخیص تصاویر و طبقه بندی تصاویر
• خودرمزگذار (Autoencoders)
• شبکه عصبی بازگشتی (Recurrent Neural Networks)
• حافظه طولانی کوتاه-مدت (LSTM)
• مدل های جاسازی کلمه (Word Embedding models)
• و …

مشخصات دوره

ناشر: یودمی
مدرس: Fawaz Sammani
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 306
مدت زمان آموزش: 43 ساعت و 47 دقیقه

سرفصل های دوره

پیش نیازهای دوره The Complete Neural Networks Bootcamp: Theory, Applications

Some Basic Python Expreience is preferable

Some High School Mathematics

تصاویر دوره

فیلم معرفی دوره The Complete Neural Networks Bootcamp: Theory, Applications

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: انگلیسی

کیفیت: 720p

تغییرات:

نسخه 2021/11 نسبت به 2021/7 تعداد 26 درس و مدت زمان 2 ساعت و 32 دقیقه افزایش داشته است.

لینک دانلود

دانلود بخش 1 – 3 گیگابایت

دانلود بخش 2 – 3 گیگابایت

دانلود بخش 3 – 3 گیگابایت

دانلود بخش 4 – 3 گیگابایت

دانلود بخش 5 – 615 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

12.61 گیگابایت