پیشنهاد فرادرس

آموزش شبکه های عصبی و شبکه‌های عصبی پیچشی

دسته بندی ها: یادگیری ماشینی (Machine Learning) ، هوش مصنوعی ، آموزش های لیندا (Lynda) ، شبکه های عصبی مصنوعی

در این دوره به معرفی 2 مفهوم کلیدی در حوره یادگیری ماشینی یعنی شبکه های عصبی و شبکه‌های عصبی پیچشی می پردازیم. در این دوره با مفاهیم شبکه های عصبی و شبکه‌های عصبی پیچشی، کامپوننت های شبکه های عصبی، در مورد توابع فعال سازی و بازپس گیری، تسک های تسخیص عکس، ایجاد یک مدل شبکه عصبی با استفاده از Keras، درباره VGG16، تاریخچه  ImageNet challenge و غیره آشنا می شوید.

سرفصل:

  • معرفی دوره
  • نورون ها و نورون های مصنوعی
  • کامپوننت های شبکه های عصبی
  • توابع فعال سازی
  • Backpropagation و hyperparameters
  • مصورسازی شبکه عصبی
  • تنظیم یک حساب مایکروسافت در Azure
  • مقدمه ای بر MNIST
  • پیاده سازی شبکه عصبی در Keras
  • کامپایل  و آموزش یک مدل شبکه عصبی
  • دقت و ارزیابی مدل شبکه عصبی
  • شبکه های عصبی پیچشی در Keras
  • ارتقاء به شبکه عصبی پیچشی
  • ImageNet
  • کار با VGG16
آیا این نوشته را دوست داشتید؟
Neural Networks and Convolutional Neural Networks Essential Training Publisher:Lynda Author:Jonathan Fernandes Duration:1h 19m Level:Intermediate

Take a deep dive into neural networks and convolutional neural networks, two key concepts in the area of machine learning.
Released: 5/4/2018
Take a deep dive into neural networks and convolutional neural networks, two key concepts in the area of machine learning. In this hands-on course, instructor Jonathan Fernandes covers fundamental neural and convolutional neural network concepts. Jonathan begins by providing an introduction to the components of neural networks, discussing activation functions and backpropagation. He then looks at convolutional neural networks, explaining why they're particularly good at image recognition tasks. He also steps through how to build a neural network model using Keras. Plus, learn about VGG16, the history of the ImageNet challenge, and more.
Topics include:
Neurons and artificial neurons
Components of neural networks
Neural network visualization
Neural network implementation in Keras
Compiling and training a neural network model
Accuracy and evaluation of a neural network model
Convolutional neural networks in Keras
Enhancements to convolutional neural networks
Working with VGG16
Introduction
Welcome
41s
What you should know
47s
Using the exercise files
20s
1. Introduction to Neural Networks
Neurons and artificial neurons
4m 31s
Gradient descent
3m 34s
The XOR challenge and solution
2m 18s
Neural networks
3m 11s
2. Components of Neural Networks
Activation functions
3m 1s
Backpropagation and hyperparameters
1m 20s
Neural network visualization
3m 49s
3. Neural Network Implementation in Keras
Understanding the components in Keras
2m 12s
Setting up a Microsoft account on Azure
1m 57s
Introduction to MNIST
5m 33s
Preprocessing the training data
4m 38s
Preprocessing the test data
1m 58s
Building the Keras model
2m 23s
Compiling the neural network model
2m 18s
Training the neural network model
1m 27s
Accuracy and evaluation of the neural network model
2m 4s
4. Convolutional Neural Networks
Convolutions
1m 22s
Zero padding and pooling
5m 12s
5. Convolutional Neural Networks in Keras
Preprocessing and loading of data
2m
Creating and compiling the model
5m 16s
Training and evaluating the model
2m 8s
6. Enhancements to Convolutional Neural Networks (CNNs)
Enhancements to CNNs
1m 32s
Image augmentation in Keras
3m 45s
7. ImageNet
ImageNet challenge
2m 54s
Working with VGG16
6m 14s
Conclusion
Next steps
51s

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 206.0MB همراه با زیرنویس انگلیسی Lynda Neural Networks and Convolutional Neural Networks Essential Training_git.ir.rar