مطالب پیشنهادی از سراسر وب

آموزش ساخت شبکه های عصبی با scikit-learn

دسته بندی ها: آموزش Scikit-Learn ، آموزش پایتون (Python) ، آموزش هوش مصنوعی (AI) ، آموزش های پلورال سایت (Pluralsight) ، شبکه عصبی مصنوعی (Artificial Neural Network)

حتی با افزایش روزانه تعداد فریمورک ها و کتابخانه های یادگیری ماشینی، scikit-learn با سهولت محبوبیت خود را حفظ می کند. دامنه ای که scikit-learn به صورت مجزا در پشت فریمورک های رقابتی قرار دارد، ساخت شبکه های عصبی برای یادگیری عمیق است. شما در این دوره، توانایی ساخت بهترین پشتیبانی هایی را که scikit-learn برای یادگیری عمیق ارائه می دهد را به دست می آورید. شما ابتدا، دقیقاً خواهید فهمید که چه شکاف هایی در پشتیبانی scikit-learn از شبکه های عصبی وجود دارد و همچنین نحوه استفاده از سازه هایی مانند پرسپترون و پرسپترون های چند لایه ای که در scikit-learn در دسترس قرار گرفته اند را یاد می گیرید.

سپس، خواهید فهمید که چگونه پرسپترون ها فقط نورون هایی با فعال سازی مرحله ای و پرسپترون های چند لایه ای در واقع شبکه های عصبی پیش برنده موثر هستند. سپس، برای ساخت مدل های رگرسیون و طبقه بندی، کار با داده های عددی، متنی و تصویری، از آبجکت های تخمین گر scikit-learn برای شبکه های عصبی استفاده خواهید کرد. در پایان، از Restricted Boltzmann Machines برای کاهش ابعاد داده ها قبل از خوراندن آن ها در یک مدل یادگیری ماشینی استفاده خواهید کرد. زمانی که این دوره را به پایان رسانید، مهارت و دانش لازم را خواهید داشت تا از هر پشتیبانی که scikit-learn در حال حاضر برای ساخت شبکه های عصبی ارائه می دهد استفاده کنید.

بررسی دوره

فایل های تمرین exercise files.zip
آیا این نوشته را دوست داشتید؟
Pluralsight Building Neural Networks with scikit-learn Author:Janani Ravi Duration:1:55:49 Level:Advanced

Even as the number of machine learning frameworks and libraries increases on a daily basis, scikit-learn is retaining its popularity with ease. The one domain where scikit-learn is distinctly behind competing frameworks is in the construction of neural networks for deep learning. In this course, Building Neural Networks with scikit-learn, you will gain the ability to make the best of the support that scikit-learn does provide for deep learning. First, you will learn precisely what gaps exist in scikit-learn’s support for neural networks, as well as how to leverage constructs such as the perceptron and multi-layer perceptrons that are made available in scikit-learn. Next, you will discover how perceptrons are just neurons with step activation, and multi-layer perceptrons are effectively feed-forward neural networks. Then, you'll use scikit-learn estimator objects for neural networks to build regression and classification models, working with numeric, text, and image data. Finally, you will use Restricted Boltzmann Machines to perform dimensionality reduction on data before feeding it into a machine learning model. When you’re finished with this course, you will have the skills and knowledge to leverage every bit of support that scikit-learn currently has to offer for the construction of neural networks.

پیشنهاد آموزش مرتبط در فرادرس