شبکه های عصبی مکرر

مدرس Kumaran Ponnambalam

انتشار 2022/07/14

مدت زمان 1h 7m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Recurrent Neural Networks

Get started with recurrent neural network (RNN) concepts in a simplified way and build simple applications with RNNs and Keras. RNN is a fast-growing domain within the AI world. Popular groundbreaking applications like language translation, speech synthesis, question answering, and text generation use RNNs as their base technology. Studying this technology, however, has several challenges. Most learning resources are math heavy and are difficult to navigate without good math skills. IT professionals from varying backgrounds need a simplified resource to learn the concepts and build models quickly. In this course, Kumaran Ponnambalam provides a simplified path to studying the basics of recurrent neural networks, allowing you to become productive quickly. Kumaran starts with a simplified introduction of RNN before walking through the process of building a model. He then covers the popular building blocks of RNN with GRUs, LSTMs, word embeddings, and transformers.

Neural Networks

Introduction

Getting started with RNNs ()

Scope and prerequisites for the course ()

Setting up exercise files ()

1. Introduction to RNNs

A review of deep learning ()

Why sequence models? ()

A recurrent neural network ()

Types of RNNs ()

Applications of RNNs ()

2. RNN Concepts

Training RNN models ()

Forward propagation with RNN ()

Computing RNN loss ()

Backward propagation with RNN ()

Predictions with RNN ()

3. An RNN Example

A simple RNN example: Predicting stock prices ()

Data preprocessing for RNN ()

Preparing time series data with lookback ()

Creating an RNN model ()

Testing and predictions with RNN ()

4. RNN Architectures

The vanishing gradient problem ()

The gated recurrent unit ()

Long short-term memory ()

Bidirectional RNNs ()

5. An LSTM Example

Forecasting service loads with LSTM ()

Time series patterns ()

Preparing time series data for LSTM ()

Creating an LSTM model ()

Testing the LSTM model ()

Forecasting service loads: Predictions ()

6. Word Embeddings

Text based models: Challenges ()

Intro to word embeddings ()

Pretrained word embeddings ()

Text preprocessing for RNN ()

Creating an embedding matrix ()

7. Spam Detection with Word Embeddings

Spam detection example for embeddings ()

Preparing spam data for training ()

Building the embedding matrix ()

Creating a spam classification model ()

Predicting spam with LSTM and word embeddings ()

Conclusion

Next steps ()

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 شبکه های عصبی مکرر

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 Recurrent Neural Networks در 2 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 شبکه های عصبی مکرر ، ایستگاه شماره 4 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

با این مسیر یادگیری جامع، پتانسیل پردازش زبان طبیعی (NLP) را باز کنید. تجربه عملی با SpaCy برای هوش مصنوعی مبتنی بر قانون، کار با شبکه‌های عصبی تکراری (RNN) با استفاده از TensorFlow و ساخت برنامه‌های کاربردی با ترانسفورماتورها. هر دوره برای تعمیق درک و مهارت های عملی شما در NLP طراحی شده است. از همین حالا شروع کنید تا تخصص هوش مصنوعی خود را ارتقا دهید و در این زمینه به سرعت در حال تحول جلوتر بمانید.

آموزش شبکه های عصبی مکرر ، ایستگاه شماره 5 در مسیر یادگیری مهارت های خود را در پردازش زبان طبیعی ارتقا دهید ، است.