دوره ی ویدئویی حاضر مفاهیم معماری کد شده در Python را با استفاده از Keras، یک کتابخانه ی شبکه عصبی ماژولار که در بالای  TensorFlow گوگل یا Lisa Lab’s Theano backends اجرا می شود را نشان می دهد. دراین دوره به معرفی  (Generative Adversarial Networks (GANs  می پردازیم که برای تکثیر داده مصنوعی به کار می رود، داده ای که شبیه به داده ی تولید بشر است، و سپس نحوه ی ساختن پایگاه داده  CIFAR-10 و MNIST را با کمک  Keras Adversarial GANs خواهیم آموخت. اپلیکیشن های عملی شامل کد برای پیش بینی کلمات پیرامون با توجه به کلمه فعلی، تجزیه و تحلیل احساسات، و نسل مصنوعی متون، است. در ادامه فرم خاصی از تعبیه کلمه با عنوان  word2vec را بررسی می کنیم که روش موثری بوده و در یادگیری عمیق و جوامع NLP  پذیرفته شده است. همچنین روش های مختلفی را معرفی کنیم که می توانید با آن به ساخت embeddings  درکد Keras  خود بپردازید. در پایان این دوره ویدیو، شما قادر خواهید بود کلمات خود را در متن تعبیه و جاسازی کنید که احساسات توزیعی کلمه را حفظ کند. هدف این دوره توضیح مفاهیم یادگیری عمیق به شکلی ساده و کاربردی  و همچنن فراهم کردن دانش بصری از موضوعات است. نمونه های کد، نشان دهنده تمام مفاهیم مهم در این دوره هستند، و شما می توانید با راهنمایی های ارائه شده آنها را به خودی خود اجرا کنید. این دوره، شبکه های یادگیری عمیق در Python را با استفاده از Keras نمایش می دهد.

  • بررسی GAN
  • مروری بر دوره
  • مقدمه ای بر GAN
  • Keras Adversarial GANs برای ساختن MNIST
  • Keras Adversarial GANs برای ساختن CIFAR
  • شبکه عصبی مکرر – RNN
  • سلول های ساده RNN و توپولوژی RNN
  • انواع سلول ساده RNN
  • Stateful RNNs
  • WaveNet و Word Embeddings
  • WaveNet
  • Skip-Gram Word2vec Model
  • CBOW Word2vec Model در Keras