پیشنهاد فرادرس

آموزش راه حل های یادگیری عمیق در پایتون

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

یادگیری عمیق در صنایع مختلف انقلابی بزرگ برپا کرده است. در این دوره با رویکرد top-down و bottom-up برای نمایش راه حل های یادگیری عمیق جهت مشکلات دنیای واقعی در مناطق مختلف، بینایی رایانه ای، Generative Adversarial Networks، سری های زمانی، ارائه راه حل های فنی برای مسائل ارائه شده همراه با توضیح دقیق راه حل ها، مزایا و معایب مربوط به اجرای راه حل پیشنهادی با استفاده از فریمورک های محبوب مانند TensorFlow، PyTorch و Keras، مفاهیم اولیه شبکه های عصبی، تمام تکنیک ها، و همچنین توپولوژی های شبکه کلاسیک و غیره آشنا می شوید.

سرفصل:

  • معرفی دوره
  • فریمورک های یادگیری عمیق
  • درک فریمورک های محبوب مانند TensorFlow، PyTorch و Keras
  • یادگیری عمیق با استفاده از فریمورک CNTK و Gluon
  • شبکه های عصبی Feed-Forward
  • پیاده سازی شبکه عصبی تک و چند لایه
  • آزمایش با توابع فعال سازی، لایه های پنهان و واحد های پنهان
  • Autoencoder، تابع Loss و بهینه سازان
  • متدهای Overfitting Prevention
  • شبکه های عصبی پیچشی و Recurrent
  • تکنیک های بهینه سازی برای CNNs
  • آزمایش با انواع مختلف اولیه سازی
  • پیاده سازی ساده RNN و LSTM
  • پیاده سازی GRU ها و RNN های دو طرفه
  • GANs و بینایی رایانه ای
  • پیاده سازی Generative Adversarial Networks
  • تکنیک های بینایی رایانه ای
  • یادگیری عصبی شبکه و پردازش داده
  • انتخاب و تنظیم هایپرپارامتر
  • تشخیص گفتار
  • سری زمانی و داده های ساخت یافته
  • مصورسازی و تحلیل شبکه
  • استفاده از مدل InceptionV3 و ResNet50
  • و غیره
به این نوشته امتیاز دهید 1 2 3 4 5 بدون امتیاز
Python Deep Learning Solutions [Video] Publisher:Packtpub Author:Indra den Bakker Duration:1 hour and 45 minutes

Over 20 practical videos on neural network modeling, reinforcement learning, and transfer learning using Python
Deep Learning is revolutionizing a wide range of industries. For many applications, Deep Learning has been proven to outperform humans by making faster and more accurate predictions. This course provides a top-down and bottom-up approach to demonstrating Deep Learning solutions to real-world problems in different areas.
These applications include Computer Vision, Generative Adversarial Networks, and time series. This course presents technical solutions to the issues presented, along with a detailed explanation of the solutions.
Furthermore, it provides a discussion on the corresponding pros and cons of implementing the proposed solution using a popular framework such as TensorFlow, PyTorch, and Keras. The course includes solutions that are related to the basic concepts of neural networks; all techniques, as well as classical network topologies, are covered. The main purpose of this video course is to provide Python programmers with a detailed list of solutions so they can apply Deep Learning to common and not-so-common scenarios.
Style and Approach
This video course is a unique blend of independent solutions arranged in the most logical manner.
Released: Wednesday, June 27, 2018
Deep Learning Frameworks
The course overview
Understanding TensorFlow, Keras and PyTorch Framework
Deep Learning Using CNTK and Gluon Framework
Feed-Forward Neural Networks
Implementing Single and Multi-Layer Neural Network
Experiment with Activation Functions, Hidden Layers, and Hidden Units
Autoencoder, Loss Function, and Optimizers
Overfitting Prevention Methods
Convolutional and Recurrent Neural Networks
Optimization Techniques for CNNs
Experimenting with Different Types of Initialization
Implementing Simple RNN and LSTM
Implementing GRUs and Bidirectional RNNs
GANs and Computer Vision
Implementing Generative Adversarial Networks
Computer Vision Techniques
Detecting Facial Key Points and Transferring Styles
Neural Network Learning and Data Processing
Hyper Parameter Selection and Tuning
Speech Recognition
Time Series and Structured Data
Network Internals and Pretrained Models
Visualizing and Analysing Network
Freezing and Storing the Network
Using InceptionV3 and ResNet50 Model
Leveraging VGG Model and Fine Tuning

پیشنهاد فرادرس