یادگیری عمیق: شروع به کار

مدرس Kumaran Ponnambalam

انتشار 2021/11/17

به‌روز‌رسانی 2024/01/19

مدت زمان 1h 13m

سطح مناسب همه

فایل تمرینی دارد

آموزش Deep Learning: Getting Started

یادگیری عمیق به عنوان یک فناوری در چند سال اخیر رشد چشمگیری داشته است. راه‌حل‌های هوش مصنوعی بیشتر و بیشتر از یادگیری عمیق به عنوان فناوری پایه خود استفاده می‌کنند. با این حال، مطالعه این فناوری دارای چالش‌های متعددی است. بیشتر منابع یادگیری ریاضی سنگینی هستند و بدون داشتن مهارت های ریاضی خوب به سختی می توان آنها را جستجو کرد. متخصصان فناوری اطلاعات برای یادگیری مفاهیم و ساخت سریع مدل ها به یک منبع ساده نیاز دارند. هدف این دوره ارائه یک مسیر ساده برای مطالعه اصول یادگیری عمیق و رسیدن سریع به بهره‌وری است.n او در میان بلوک‌های ساختمانی مختلف شبکه‌های عصبی با توضیحات ساده و قابل درک حرکت می‌کند. کوماران همچنین کدی را در Keras برای پیاده سازی این بلوک های ساختمانی ایجاد می کند. سپس با یک تمرین انتها به انتها همه را جمع می کند. در نهایت، آنچه را که یاد گرفتید با یک مشکل یادگیری عمیق آزمایش کنید و راه حل خود را با کوماران مقایسه کنید.

Deep Learning Machine Learning

Introduction

Getting started with deep learning ()

Prerequisites for the course ()

Setting up the environment ()

1. Introduction to Deep Learning

What is deep learning? ()

Linear regression ()

An analogy for deep learning ()

The perceptron ()

Artificial neural networks ()

Training an ANN ()

2. Neural Network Architecture

The input layer ()

Hidden layers ()

Weights and biases ()

Activation functions ()

The output layer ()

3. Training a Neural Network

Reusing existing network architectures ()

Using available open-source models ()

Setup and initialization ()

Forward propagation ()

Measuring accuracy and error ()

Back propagation ()

Gradient descent ()

Batches and epochs ()

Validation and testing ()

An ANN model ()

4. Deep Learning Example 1

The Iris classification problem ()

Input preprocessing ()

Creating a deep learning model ()

Training and evaluation ()

Saving and loading models ()

Predictions with deep learning models ()

5. Deep Learning Example 2

Spam classification problem ()

Creating text representations ()

Building a spam model ()

Predictions for text ()

6. Deep Learning Exercise

Exercise problem statement ()

Preprocessing RCA data ()

Building the RCA model ()

Predicting root causes with deep learning ()

Conclusion

Extending your deep learning education ()

Ex_Files_Deep_Learning_Getting_Started.zip (105 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش یادگیری عمیق: شروع به کار

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Deep Learning: Getting Started در 4 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

با این مسیر یادگیری جامع، دنیای پیشرفته یادگیری عمیق و شبکه های عصبی را کاوش کنید. با استفاده از فناوری‌های پیشرفته هوش مصنوعی، مدل‌های عصبی عمیق را بسازید و بهینه کنید. در مورد شبکه های متخاصم مولد (GAN) و شبکه های متخاصم مولد عمیق (DCGAN) بیاموزید. با ابزارهایی مانند GitHub Codespace و Google Colab تجربه عملی به دست آورید. امروز شروع کنید تا تخصص خود را عمیق تر کنید و رشد حرفه ای خود را تسریع کنید!

آموزش یادگیری عمیق: شروع به کار ، ایستگاه شماره 1 در مسیر یادگیری مهارت های خود را در یادگیری عمیق و شبکه های عصبی ارتقا دهید ، است.

مسیر یادگیری مهارت های خود را در یادگیری عمیق و شبکه های عصبی ارتقا دهید

در صنعتی که به سرعت در حال گسترش است، مهندسان یادگیری ماشین نقش حیاتی در طراحی و ایجاد الگوریتم‌های هوش مصنوعی برای ساخت راه‌حل‌های یادگیری ماشین دارند. در این مسیر یادگیری، شما اصول اولیه هوش مصنوعی و یادگیری ماشینی را کشف خواهید کرد و سپس با ساختن اپلیکیشن‌های یادگیری ماشینی و آموزش شبکه‌های عصبی خود، به سمت یک رویکرد عملی حرکت خواهید کرد. دانش موجود از پایتون توصیه می شود.

آموزش یادگیری عمیق: شروع به کار ، ایستگاه شماره 4 در مسیر یادگیری اصول اولیه برای تبدیل شدن به یک مهندس یادگیری ماشین ، است.

مسیر یادگیری اصول اولیه برای تبدیل شدن به یک مهندس یادگیری ماشین

با این مسیر یادگیری جامع وارد حوزه پویا هوش مصنوعی و یادگیری ماشین شوید. در حین تسلط بر ابزارهایی مانند Python، OpenCV، PyTorch و Keras، بینش های ضروری را در مورد پردازش تصویر، یادگیری تقویتی و شبکه های عصبی به دست آورید. الگوریتم‌های قدرتمند را پیاده‌سازی کنید، مدل‌های یادگیری ماشینی کارآمد بسازید و فناوری‌های نوآورانه را در بخش‌های مختلف اعمال کنید. برای تبدیل شدن به یک مهندس ماهر یادگیری ماشین یا دانشمند داده، ارتقاء مهارت را از امروز شروع کنید.

آموزش یادگیری عمیق: شروع به کار ، ایستگاه شماره 3 در مسیر یادگیری شروع کار با هوش مصنوعی و یادگیری ماشینی ، است.

مسیر یادگیری شروع کار با هوش مصنوعی و یادگیری ماشینی

دانشمندان داده که به عنوان تحلیلگران داده به تمرکز شغلی جدیدی روی می آورند، این مسیر یادگیری را در انتقال مهارت های خود ارزشمند خواهند یافت. شما مهارت های موجود در زبان های برنامه نویسی مانند Python، SQL و R را خواهید آموخت و نحوه استفاده از آنها را در زمینه تحلیلی یاد خواهید گرفت. همچنین مهارت‌های قدرت را در برنامه‌های اصلی تجزیه و تحلیل مانند Tableau و Excel توسعه خواهید داد و در مهارت‌های تجسم داده‌ها پایه‌ای قوی کسب خواهید کرد.

آموزش یادگیری عمیق: شروع به کار ، ایستگاه شماره 7 در مسیر یادگیری حرکت از دانشمند داده به تحلیلگر داده ، است.