پیشنهاد فرادرس

آموزش ایجاد مدل های یادگیری عمیق با PyTorch

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

فریمورک PyTorch متن باز  و فریمورک یادگیری عمیق می باشد که یک جایگزین محبوب برای TensorFlow و Apache MXNet است. PyTorch APIs یک رویکرد بومی پایتون را دنبال می کنند که همراه با اجرای گرافیک پویا برای کار با توسعه دهندگان پایتون و دانشمندان داده بسیار کارآمد است. در این دوره با کار با PyTorch و تمام کتابخانه های پیشنهادی، استفاده از Torch tensors، گراف محاسبات دینامیکی و کتابخانه Autograd برای محاسبه شیب آشنا می شوید. شما با درک اصول آموزش شبکه عصبی، گذرهای forward و backward و محاسبات شیب شروع خواهید کرد. شما از این مفاهیم برای ساخت شبکه های عصبی ساده برای پیش بینی قیمت های خودرو استفاده می کنید، و همچنین کسانی که جان سالم به در بردند و کسانی که در تایتانیک مردند استفاده می کنید. بعد، شما به طبقه بندی عکس با استفاده از شبکه های عصبی پیچشی می پردازید. همچنین نقش لایه های convolutional و pooling را مطالعه خواهید کرد و مبانی ساختار CNN و ایجاد CNN برای طبقه بندی تصاویر از مجموعه داده های Cifar-10 را فرا خواهید گرفت. شما همچنین می توانید ببینید که چگونه می توانید قدرت انتقال یادگیری را با استفاده از مدل های آموزش یافته برای طبقه بندی تصویر مورد استفاده قرار دهید. در نهایت، شما می توانید با شبکه های عصبی recurrent برای داده های توالی کار کنید و ببینید چگونه اجرای گرافیک محاسبات پویا در PyTorch میتواند RNN ها را بسیار ساده ایجاد کند. شما از RNN ها با سلول های حافظه طولانی برای پیش بینی جنسیت با نام نوزاد استفاده می کنید.

سرفصل:

  • معرفی دوره
  • معرفی PyTorch
  • پیش نیازهای دوره
  • نورون ها و شبکه های عصبی
  • معرفی PyTorch
  • نصب PyTorch
  • Tensors
  • ایجاد و کار با PyTorch Tensors
  • عملیات با Tensors
  • گراف محاسباتی
  • نزول شیب
  • گذرهای Forward و Backward
  • ایجاد شبکه های عصبی ساده
  • درک شیب ها
  • معرفی Autograd
  • تناوب اتوماتیک معکوس برای محاسبه گرادیان ها
  • مدل خطی با Autograd
  • پیش بینی قیمت با استفاده از یک شبکه عصبی کاملا متصل
  • بهینه سازان
  • شبکه عصبی برای طبقه بندی
  • بررسی مجموعه داده تایتانیک برای طبقه بندی
  • آموزش شبکه عصبی
  • دقت و ضریب رسم نمودار
  • ساخت یک مدل طبقه بندی تصویر
  • درک تصویر
  • ترکیب لایه ها
  • CNN Architectures
  • Batch Normalization
  • بررسی CIFAR10 Dataset
  • پیش بینی ها بر روی داده های تست
  • ResNet Pretrained Model: Data Exploration
  • نورون های Recurrent
  • باز کردن سلول های حافظه RNN از طریق زمان
  • سلول های حافظه طولانی
  • پیش بینی جنسیت ساختار RNN نام  ها
  • آماده سازی مجموعه داده های نام
  • ایجاد RNN
  • آموزش RNN
  • و غیره
آیا این نوشته را دوست داشتید؟
Building Deep Learning Models Using PyTorch Publisher:Pluralsight Author:Janani Ravi Duration:3h 18m Level:Beginner

PyTorch is an open source deep learning framework originally developed by the AI teams at Facebook. PyTorch offers high-level APIs which make it easy to build neural networks and great support for distributed training and prediction.
PyTorch is an open source, deep learning framework which is a popular alternative to TensorFlow and Apache MXNet. PyTorch APIs follow a Python-native approach which, along with dynamic graph execution, make it very intuitive to work with for Python developers and data scientists.
In this course, Building Deep Learning Models Using PyTorch, you will learn to work with PyTorch and all the libraries that it has to offer, from first principles - starting with Torch tensors, dynamic computation graphs, and the autograd library, to compute gradients.
You'll start off by understanding the basics of training a neural network, the forward and backward passes, and gradient computation. You will use these concepts to build simple neural networks to predict automobile prices, as well as who survived and who did not on the Titanic.
Next, you'll move on to image classification using convolutional neural networks; you'll study the role of convolutional and pooling layers and the basic structure of a CNN, you'll then build a CNN to classify images from the Cifar-10 dataset. You'll also see how you can leverage the power of transfer learning by using pre-trained models for image classification.
Finally, you'll get to work with recurrent neural networks for sequence data, seeing how the dynamic computation graph execution in PyTorch makes building RNNs very simple. You'll use RNNs with long memory cells to predict gender using baby names.
At the end of this course, you will be comfortable using PyTorch libraries and APIs to leverage pre-trained models that PyTorch offers and also to build your own custom model for your specific use case.
Course Overview
Course Overview
2m
Introduction to PyTorch
Module Overview
1m
Prerequisites and Course Outline
2m
Neurons and Neural Networks
9m
Introducing PyTorch
6m
Installing PyTorch
1m
Tensors
2m
Creating and Working with PyTorch Tensors
5m
Operations with Tensors
5m
The Computation Graph
4m
Gradient Descent
4m
Forward and Backward Passes
3m
Building Simple Neural Networks
Module Overview
1m
Understanding Gradients
5m
Introducing Autograd
5m
Reverse-mode Automatic Differentiation to Calculate Gradients
9m
Linear Model Using Autograd
6m
Exploring the Automobile Price Prediction Dataset
7m
Price Prediction Using a Fully Connected Neural Network
6m
Optimizers
2m
Neural Networks for Classification
4m
Exploring the Titanic Dataset for Classification
4m
Training the Neural Network
6m
Plotting Accuracy and Loss Metrics
1m
Building an Image Classification Model
Module Overview
1m
Perceiving an Image
2m
Convolutional Layers
7m
Pooling Layers
2m
CNN Architectures
2m
Batch Normalization
3m
Exploring The CIFAR10 Dataset
4m
Demo Building and Training the CNN
5m
Predictions on Test Data
1m
Transfer Learning
5m
ResNet Pretrained Model: Data Exploration
6m
ResNet Pretrained Model: Data Exploration, Helper Functions
5m
ResNet Pretrained Model: Training and Prediction
2m
Using a Pretrained Model with Frozen Layers
2m
Building a Text Classification Model
Module Overview
0m
Recurrent Neurons
4m
Unrolling RNN Memory Cells Through Time
3m
Long Memory Cells
2m
Gender Prediction of Names RNN Structure
5m
Prepare the Names Dataset
4m
Building the RNN
3m
Training the RNN
2m
Confusion Matrix
1m
Plotting Name Predictions in a Confusion Matrix
3m
Summary and Further Study
1m

پیشنهاد فرادرس

لینک های دانلود حجم فایل: 930.0MB Pluralsight Building Deep Learning Models Using PyTorch_git.ir.rar