آموزش شبکه های عصبی در پایتون

مدرس Eduardo Corpeño

انتشار 2022/11/09

مدت زمان 2h 7m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Training Neural Networks in Python

پیش‌نیازها باید با نوشتن کد در پایتون 3 احساس راحتی کنید. پروژه یک شبکه عصبی از ابتدا با استفاده از پایتون بسازید. شبکه های عصبی به طور گسترده در برنامه های روزمره مانند خرید آنلاین، پیش بینی آب و هوا و گوشی های هوشمند استفاده می شوند. این دوره توسط ادواردو کورپنو، عملکرد درونی شبکه‌های عصبی در پایتون را آموزش می‌دهد و به شما امکان می‌دهد الگوریتم‌های پشت آن‌ها را کاملاً درک کنید. اگرچه ابزارهای حرفه ای وجود دارد که به شما امکان می دهد شبکه های عصبی را از دیدگاه سطح بالا آموزش دهید، این دوره به شما فرصتی می دهد تا از جزئیات الگوریتم های پشت شبکه های عصبی بهره ببرید. از طریق تمرین‌ها و مثال‌ها، یاد بگیرید که چگونه نورون‌های بیولوژیکی را با عناصر پایتون مرتبط کنید تا شبکه‌های خود را بسازید و آموزش دهید، و دانشی را به دست آورید که می‌تواند به شما در انتخاب معماری شبکه عصبی و روش آموزشی مناسب برای پروژه‌ها و مشکلاتی که با آن‌ها مواجه می‌شوید کمک کند. این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

Neural Networks Python (Programming Language)

Introduction

Creating a neural network in Python ()

What you should know ()

Using GitHub Codespaces with this course ()

1. Choosing a Neural Network

What is a neural network? ()

Why Python ()

The many applications of machine learning ()

Types of classifiers ()

Types of neural networks ()

Multilayer perceptrons ()

2. The Building Blocks of Neural Networks

Neurons and the brain ()

A simple model of a neuron ()

Activation functions ()

Perceptrons: A better model of a neuron ()

Challenge: Finish the perceptron ()

Solution: Finish the perceptron ()

Logic gates ()

Challenge: Logic gates with perceptrons ()

Solution: Logic gates with perceptrons ()

3. Building Your Network

Linear separability ()

Writing the multilayer perceptron class ()

Challenge: Finish the multilayer perceptron class ()

Solution: Finish the multilayer perceptron class ()

4. Training Your Network

The need for training ()

The training process ()

The error function ()

Gradient descent ()

The Delta rule ()

The Backpropagation algorithm ()

Challenge: Write your own Backpropagation method ()

Solution: Write your own Backpropagation method ()

5. Let's Make a Segment Display Classifier

Segment display recognition ()

Challenge: Design your own SDR neural network ()

Solution: Design your own SDR neural network ()

Challenge: Train your own SDR neural network ()

Solution: Train your own SDR neural network ()

7 to 1 network GUI demo ()

7 to 10 network GUI demo ()

7 to 7 network GUI demo ()

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 آموزش شبکه های عصبی در پایتون

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 Training Neural Networks in Python در 4 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

در دنیای به سرعت در حال گسترش هوش مصنوعی و یادگیری ماشینی، چیزهای زیادی برای یادگیری و ماندن در بالا وجود دارد. از طیف دوره‌های این مسیر یادگیری برای تقویت مهارت‌های خود در زمینه هوش مصنوعی، ML و علم داده با درک مدل‌های تولیدی و کاوش در زمینه‌های MLOps و هوش مصنوعی مسئول استفاده کنید.

آموزش آموزش شبکه های عصبی در پایتون ، ایستگاه شماره 5 در مسیر یادگیری مهارت های خود را در هوش مصنوعی و یادگیری ماشینی ارتقا دهید ، است.

مسیر یادگیری مهارت های خود را در هوش مصنوعی و یادگیری ماشینی ارتقا دهید

مرز جدید در جهان هوش مصنوعی و یادگیری ماشینی در یادگیری عمیق و شبکه های عصبی است. این مسیر یادگیری راه ورود شما به ابزارها، مفاهیم، و نکات ظریف شبکه های عصبی، مدل های مولد و موارد دیگر است.

آموزش آموزش شبکه های عصبی در پایتون ، ایستگاه شماره 3 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

نقش مهندس هوش مصنوعی همچنان با انتقال توسعه دهندگان به حوزه تحول آفرین هوش مصنوعی محبوبیت پیدا می کند. در این مسیر یادگیری، مهارت های لازم برای موفقیت در این نقش را به دست خواهید آورد. این سری از دوره ها مفاهیم اصلی و مهارت های عملی مورد نیاز شما را قبل از غواصی در آموزش عملی در یادگیری عمیق، بینایی کامپیوتر و شبکه های عصبی پوشش می دهد. برای این مسیر یادگیری تجربه کدنویسی در پایتون الزامی است.

آموزش آموزش شبکه های عصبی در پایتون ، ایستگاه شماره 5 در مسیر یادگیری یک مهندس هوش مصنوعی شوید ، است.

مسیر یادگیری یک مهندس هوش مصنوعی شوید

در صنعتی که به سرعت در حال گسترش است، مهندسان یادگیری ماشین نقشی 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 بررسی خواهید کرد و سپس با ساختن اپلیکیشن‌های یادگیری ماشین و آموزش شبکه‌های عصبی خود، به سمت یک رویکرد عملی حرکت خواهید کرد. دانش موجود از پایتون توصیه می شود.

آموزش آموزش شبکه های عصبی در پایتون ، ایستگاه شماره 7 در مسیر یادگیری اصول اولیه برای تبدیل شدن به یک مهندس یادگیری ماشین ، است.