پیشنهاد فرادرس

آموزش یادگیری عمیق با پایتون برای مبتدیان

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

ما از معادلات ریاضی پیچیده اجتناب می کنیم، که اغلب می تواند مانعی برای ورود به تازه واردین باشد. این دوره به شما آموزش مفاهیم یادگیری عمیق را با استفاده از پایتون برای حل وظایف چالش برانگیز آموزش خواهد داد. شما یک سیستم تشخیص تصویر مبتنی بر یادگیری عمیق پایتون ایجاد می کنید و تصاویر را در اپلیکیشن های وب و اپلیکیشن های تلفن استقرار و ادغام می کنید. شما با درک بصری شبکه های عصبی به طور کلی شروع خواهید کرد. ما شما را از طریق بلوک های ساختمان شبکه های یادگیری عمیق برای مقابله با شبکه های عصبی پیچیده هدایت خواهیم کرد.

سرفصل:

  • معرفی دوره
  • تاریخچه یادگیری عمیق
  • یادگیری عمیق امروز
  • ابزارها، مورد نیاز و راه اندازی
  • ساخت بلوک های اصلی یادگیری ماشینی
  • بررسی یادگیری تحت نظارت
  • رگرسیون خطی
  • شبکه های عصبی عمیق
  • شبکه های Feedforward
  • کشف شبکه های عصبی پیچشی (CNNs)
  • درک CNN ها
  • پیاده سازی یک CNN
  • CNN های عمیق
  • شبکه عصبی مصنوعی
  • LSTM و پیشرفت
  • تشخیص شی با استفاده از CNNs
  • و غیره
Python Deep Learning for Beginners [Video] Publisher:Packtpub Author:Rudy Lai Duration:2 hours 39 minutes

Apply deep learning concepts and use Python to solve challenging tasks
We avoid complex math equations, which can often be a barrier to entry for newcomers. This course will teach you to apply deep learning concepts using Python to solve challenging tasks. You'll build a Python deep learning-based image recognition system and deploy and integrate images into web apps or phone apps.You will start out with an intuitive understanding of neural networks in general. We will guide you through the building blocks of deep learning networks to tackle complex neural networks. So, take this course and learn the skills and temperament need to enter the AI marketplace today.All the code and this course's supporting files of are available on GitHub at - https://github.com/PacktPublishing/Python-Deep-Learning-for-Beginners-
Style and Approach
A direct, practical, and very hands-on approach where we deal less with theory and adopt a more hands-on style of learning.
Released: Friday, November 30, 2018
Understanding Deep Learning
The Course Overview
A Brief History of Deep Learning
Deep Learning Today
Tools, Requirements, and Setup
Building the Basic Blocks of Machine Learning
Exploring Supervised Learning
Representational Learning and Feature Engineering
Linear Regression
The Perceptron
Diving into Deep Neural Networks
Feedforward Networks
Backpropagation
Neural Networks from Scratch
Overfitting and Regularization
Discovering Convolutional Neural Networks (CNNs)
Understanding CNNs
Implementing a CNN
Deep CNNs
Using CNNs to Solve Increasingly Complex Tasks
Very Deep CNNs
Batch Normalization
Fine-Tuning
Learning about Detection and Segmentation
Semantic Segmentation
Fully Convolutional Networks
Exploring Recurrent Neural Networks
Recurrent Neural Networks
LSTM and Advancements
Object Detection Using CNNs
Building a CNN to Detect General Images
Training and Deploying on a Cluster
Moving Forward with Deep Learning and AI
Comparison of DL Frameworks
Exciting Areas for Upcoming Research

پیشنهاد فرادرس