مطالب پیشنهادی از سراسر وب

آموزش یادگیری عمیق با PyTorch

دسته بندی ها: آموزش پای تورچ (PyTorch) ، آموزش هوش مصنوعی (AI) ، آموزش یادگیری عمیق (Deep Learning) ، آموزش های Packtpub ، آموزش پایتون (Python)

این دوره ویدیویی یکی از پیشرفته ترین کتابخانه های یادگیری عمیق، PyTorch را به شما آموزش می دهد. PyTorch نوشته شده در پایتون، توجه همه متخصصان علوم اطلاعات را به دلیل سهولت استفاده از کتابخانه های دیگر و استفاده از نمودارهای محاسبات پویا جلب می کند. در این دوره با نحوه انجام تسک های مفید با شبکه های عصبی پیچشی، برای پردازش داده های فضایی مانند تصاویر و استفاده از شبکه های عصبی بازگشتی برای پردازش داده های متوالی مانند متون، نحوه استفاده از داده های بدون برچسب با استفاده از Auto Encoders، شبکه عصبی برای یادگیری نحوه تعادل یک قطب با استفاده از آموزش تقویتی، مکانیزم های مختلف فریمورک PyTorch برای انجام این تسک ها، درک خوبی از الگوریتم ها و تکنیک های مورد استفاده، نحوه کارکرد PyTorch، استفاده از آن برای حل مشکلات یادگیری ماشینی آشنا می شوید.

سرفصل:

  • شروع کار با PyTorch
  • بازبینی دوره
  • معرفی PyTorch
  • نصب PyTorch در لینوکس و ویندوز
  • نصب CUDA
  • مقدمه ای بر تانسور و متغیرها
  • کار با PyTorch و NumPy
  • کار با PyTorch و GPU
  • مدیریت مجموعه داده ها در PyTorch
  • آموزش اولین شبکه عصبی شما
  • ساخت یک شبکه عصبی ساده
  • توابع Loss در PyTorch
  • Optimizers در PyTorch
  • آموزش شبکه عصبی
  • ذخیره و بارگذاری یک شبکه عصبی آموزش دیده
  • آموزش شبکه عصبی در یک GPU
  • بینایی رایانه ای -  CNN برای تشخیص عددی
  • انگیزه بینایی رایانه ای
  • شبکه های عصبی پیچشی
  • عملیات پیچشی
  • مفاهیم - Strides، Padding و Pooling
  • بارگیری و استفاده از مجموعه داده MNIST
  • ساخت مدل
  • آموزش و تست
  • مدل های توالی - RNN برای تولید متن
  • انگیزه مدل های توالی
  • جاسازی کلمه
  • شبکه های عصبی بازگشتی
  • ساخت یک مدل تولید متن در PyTorch
  • آموزش و تست
  • Autoencoder - Denoising Images
  • انگیزه Autoencoders
  • نحوه کارکرد Autoencoders
  • انواع Autoencoder
  • ایجاد Denoising Autoencoder  با استفاده از PyTorch
  • آموزش و تست
  • یادگیری تقویتی - Balance Cartpole با استفاده از DQN
  • انگیزه یادگیری تقویتی
  • مفاهیم یادگیری تقویتی
  • DQN, Experience Replay
  • محیط OpenAI Gym
  • ایجاد Cartpole Agent با استفاده از DQN
  • آموزش و تست
آیا این نوشته را دوست داشتید؟
Deep Learning with PyTorch [Video] Publisher:Packtpub Author:Anand Saha Duration:4 hours and 42 minutes

Build useful and effective deep learning models with the PyTorch Deep Learning framework
This video course will get you up-and-running with one of the most cutting-edge deep learning libraries: PyTorch. Written in Python, PyTorch is grabbing the attention of all data science professionals due to its ease of use over other libraries and its use of dynamic computation graphs.
In this course, you will learn how to accomplish useful tasks using Convolutional Neural Networks to process spatial data such as images and using Recurrent Neural Networks to process sequential data such as texts. You will explore how you can make use of unlabeled data using Auto Encoders. You will also be training a neural network to learn how to balance a pole all by itself, using Reinforcement Learning. Throughout this journey, you will implement various mechanisms of the PyTorch framework to do these tasks.
By the end of the video course, you will have developed a good understanding of, and feeling for, the algorithms and techniques used. You'll have a good knowledge of how PyTorch works and how you can use it in to solve your daily machine learning problems.
Style and Approach
This is a very hands-on course where concepts and their implementations go hand in hand. The course maintains a balance between theory and practice. 
Released: Monday, April 30, 2018
Getting Started With PyTorch
The Course Overview
Introduction to PyTorch
Installing PyTorch on Linux and Windows
Installing CUDA
Introduction to Tensors and Variables
Working with PyTorch and NumPy
Working with PyTorch and GPU
Handling Datasets in PyTorch
Deep Learning Using PyTorch
Training Your First Neural Network
Building a Simple Neural Network
Loss Functions in PyTorch
Optimizers in PyTorch
Training the Neural Network
Saving and Loading a Trained Neural Network
Training the Neural Network on a GPU
Computer Vision – CNN for Digits Recognition
Computer Vision Motivation
Convolutional Neural Networks
The Convolution Operation
Concepts - Strides, Padding, and Pooling
Loading and Using MNIST Dataset
Building the Model
Training and Testing
Sequence Models – RNN for Text Generation
Sequence Models Motivation
Word Embedding
Recurrent Neural Networks
Building a Text Generation Model in PyTorch
Training and Testing
Autoencoder - Denoising Images
Autoencoders Motivation
How Autoencoders Work
Types of Autoencoders
Building Denoising Autoencoder Using PyTorch
Training and Testing
Reinforcement Learning – Balance Cartpole Using DQN
Reinforcement Learning Motivation
Reinforcement Learning Concepts
DQN, Experience Replay
The OpenAI Gym Environment
Building the Cartpole Agent Using DQN
Training and Testing

پیشنهاد آموزش مرتبط در فرادرس

لینک های دانلود حجم فایل: 875.0MB Packtpub Deep Learning with PyTorch [Video]_git.ir.rar