در این دوره با مهارت های برنامه نویسی پایتون و تحلیل داده از طریق یادگیری ماشینی با استفاده از تنسورفلو، تکنیک ها و الگوریتم های یادگیری ماشینی، استفاده کاربردی از مدل های TensorFlow، استفاده از تکنیک های Classification و Clustering و غیره آشنا می شوید.

سرفصل:

  • شروع به کار با TensorFlow
  • بازبینی دوره
  • نصب محیط TensorFlow
  • نحو پایه TensorFlow
  • گراف های TensorFlow
  • متغیرها و Placeholders
  • اعمال تکنیک ها رگرسیون در TensorFlow
  • یادگیری ماشین چیست؟
  • رگرسیون از ابتدا برای 1 میلیون امتیاز داده – قسمت 1
  • رگرسیون از ابتدا برای 1 میلیون امتیاز داده – قسمت 2
  • مدل پیش بینی قیمت مسکن با Estimator API
  • پیاده سازی تکنیک های کلاس بندی با استفاده از TensorFlow
  • انجام تکنیک های کلاس بندی (Classification) در مجموعه داده های دیابتی های سرخ پوست – قسمت 1
  • انجام تکنیک های کلاس بندی (Classification) در مجموعه داده های دیابتی های سرخ پوست – قسمت 2
  • انجام تکنیک های کلاس بندی (Classification) در مجموعه داده های دیابتی های سرخ پوست – قسمت 3
  • پیش بینی کلاس درآمد بر داده های سرشماری – قسمت 1
  • پیش بینی کلاس درآمد بر داده های سرشماری – قسمت 2
  • پیش بینی کلاس درآمد بر داده های سرشماری – قسمت 3
  • پیاده سازی تکنیک های خوشه بندی در TensorFlow
  • مقدمه ای بر خوشه بندی K-Means
  • اعمال خوشه K-Means در مجموعه داده Blob – قسمت 1
  • اعمال خوشه K-Means در مجموعه داده Blob – قسمت 2
  • ایجاد شبکه عصبی مصنوعی
  • یادگیری عمیق چیست؟
  • قسمت 1 – پیش پردازش داده
  • قسمت 2 – بیایید ANN را بسازیم
  • قسمت 3 – پیش بینی ها و مدل های ارزیابی
  • ساخت شبکه عصبی پیچشی با استفاده از مجموعه داده های تصویری
  • شبکه عصبی پیچشی چیست؟
  • قسمت 1 – وارد کردن اطلاعات MNIST از TensorFlow
  • قسمت 2 – ایجاد Placeholders و لایه ها
  • قسمت 3 – بهینه سازی و اجرای جلسات