تقویت مهارت های خود را در یادگیری عمیق و شبکه های عصبی - Advance Your Skills in Deep Learning and Neural Networks

Keras یک فریمورک‌ برنامه نویسی محبوب برای یادگیری عمیق است که فرایند ساخت برنامه‌های کاربردی یادگیری عمیق را ساده می‌کند. به جای ارائه تمام عملکردها، خود از TensorFlow یا Theano در پشت صحنه استفاده می‌کند و یک رابط برنامه نویسی ساده را در بالا به آن اضافه می‌کند. در این دوره نحوه نصب Keras و استفاده از آن برای ساختن یک مدل یادگیری عمیق ساده را بیاموزید. بسیاری از مدلهای قدرتمند یادگیری عمیق از قبل آموزش دیده موجود در Keras و نحوه استفاده از آنها را کاوش کنید. نحوه استقرار مدلهای Keras و نحوه انتقال داده‌ها بین Keras و TensorFlow را کشف کنید تا بتوانید در حین استفاده از Keras از تمام ابزارهای TensorFlow استفاده کنید. با پایان دادن به این دوره، شما آماده خواهید بود تا شروع به ساخت و استقرار مدل‌های خود را با Keras کنید. موضوعات شامل: کراس چیست؟ استفاده از Keras در مقابل TensorFlow آموزش یک مدل یادگیری عمیق با استفاده از یک مدل یادگیری عمیق از قبل آموزش دیده نظارت بر مدل Keras با TensorBoard استفاده از مدل Keras آموزش دیده در Google Cloud

تشخیص چهره، برای همه چیز، از برچسب گذاری خودکار تصاویر تا باز کردن قفل تلفن های همراه استفاده می شود. و با پیشرفت های اخیر در دانش عمیق، دقت تشخیص چهره بهبود یافته است. در این دوره، یاد بگیرید چگونه یک سیستم تشخیص چهره ایجاد کنید که می تواند چهره ها را در تصاویر تشخیص دهد، چهره ها را شناسایی کند و حتی چهره های با آرایش دیجیتال را تغییر دهد مانند آنچه که در برنامه های محبوب تلفن همراه تجربه کرده اید. نحوه راه اندازی یک محیط توسعه را بیاموزید. کشف ابزارهایی که می توانید برای تشخیص چهره اهرم استفاده کنید. ببینید چگونه یک مدل یادگیری ماشین را می توان برای تجزیه و تحلیل تصاویر و شناسایی نشانه های صورت آموزش دیده است. مراحل مربوط به شناسایی ویژگی های چهره، تشخیص چهره به عنوان مجموعه ای از اندازه گیری ها و چهره های کد گذاری را یاد بگیرید. علاوه بر این، یاد بگیرند که چگونه سیستم های پیشین موجود را اصلاح و تنظیم کنند. موضوعات شامل: شناسایی چهره ها در تصاویر تجزیه و تحلیل هیستوگرام شیب های گرا (HOG) شناسایی چهره ها در تصاویر مکان یابی ویژگی های صورت در تصاویر کدگذاری برای تشخیص چهره یافتن موارد زیبا با استفاده از تشخیص چهره ایجاد کدگذاری صورت به صورت خودکار

به لطف دانش عمیق، سیستم های تشخیص تصویر پیشرفت کرده اند و اکنون برای همه چیز از جستجوی کتابخانه های عکس به منظور ایجاد توضیحات مبتنی بر متن عکس استفاده می شود. در این درس، یاد بگیرید چگونه یک شبکه عصبی عمیق ایجاد کنید که می تواند اشیاء را در عکس ها تشخیص دهد. نحوه تنظیم حالت های پیشرفته شبکه های عصبی عمیق را به رسمیت شناختن اشیاء جدید، بدون نیاز به دوباره آموزش شبکه. API های تشخیص تصویر مبتنی بر ابر را که می توانید به عنوان جایگزینی برای ساخت سیستم های خود استفاده کنید، کاوش کنید. مراحل مربوط به شروع نصب و راه اندازی سیستم تشخیص تصویر خود را یاد بگیرید. موضوعات شامل: طبقه بندی تصاویر طراحی سیستم تشخیص تصویر ایجاد یک شبکه عصبی عمیق آموزش شبکه عصبی عمیق اصلاح شبکه های عصبی از پیش آموزش دیده استفاده از API های شناسایی تصویر استقرار یک شبکه عصبی عمیق

TensorFlow یکی از محبوب‌ترین فریمورک‌‌های یادگیری عمیق، موجود است. این برای همه چیز، از تحقیقات یادگیری دستگاه cutting-edge گرفته تا ساختن ویژگی‌های جدید برای داغترین start-upsها در Silicon Valley استفاده می‌شود. در این دوره، نحوه نصب TensorFlow و استفاده از آن برای ساختن یک مدل یادگیری عمیق ساده را بیاموزید. مربی Adam Geitgey پس از نشان دادن نحوه‌ی کار و راه اندازی TensorFlow، نحوه ایجاد و آموزش یک مدل یادگیری ماشین و همچنین نحوه استفاده از ابزارهای تجسم برای تجزیه و تحلیل و بهبود مدل خود را نشان می‌دهد. سرانجام، او نحوه استقرار مدل‌ها بصورت لوکال یا در ابر را توضیح می‌دهد. با پایان دادن به این دوره، شما آماده خواهید بود تا ساخت و استقرار مدل‌های خود را با TensorFlow شروع کنید. اهداف یادگیری TensorFlow چیست؟ سخت افزار، نرم افزار و زبان مورد نیاز ایجاد مدل TensorFlow آموزش یک مدل یادگیری عمیق با TensorFlow تجسم نمودار محاسباتی افزودن تجسم های سفارشی به TensorBoard صادرات مدلها برای استفاده با Google Cloud

در اختیار داشتن ابزارهای عالی، اگر نمی‌دانید که کدام ابزار را واقعا نیاز دارید، و اینکه چطور هر ابزار برای آن‌ها مفید است و چطور کار می‌کنند، مفید نخواهد بود. در این دوره به اعماق درونی شبکه‌های عصبی شیرجه بزنید، تا بتوانید با ابزارهای یادگیری ماشین به طور موثرتری کار کنید. مربی Eduardo Corpeno با ارائه یک سری تمرین‌ها در پایتون به شما کمک می‌کند تا به عنوان مثال یاد بگیرید تا آنچه در داخل می‌افتد را درک کنید. نحوه ارتباط بخشهایی از یک نورون بیولوژیکی را با عناصر پایتون کشف کنید، که به شما امکان می‌دهد یک مدل از مغز را بسازید. سپس، نحوه ساخت و آموزش یک شبکه را بیاموزید، همچنین یک شبکه عصبی ایجاد کنید که اعدادی را که از یک نمایشگر هفت بخشی به دست می‌آید تشخیص دهد. حتی اگر به جای نوشتن کد خود، احتمالاً از طریق یک مجموعه نرم‌افزاری با شبکه‌های عصبی کار خواهید کرد، دانشی که در این دوره کسب خواهید کرد می‌تواند به شما کمک کند تا برای هر مشکلی که دارید با استفاده از آن از روش شبکه عصبی و معماری شبکه عصبی مناسب استفاده کنید.

به سراغ شبکه‌های عصبی و شبکه‌های عصبی مصنوعی بروید که دو مفهوم کلیدی در حوزه یادگیری ماشین دارند. در این دوره مدرس Jonathan Fernandes مفاهیم بنیادی عصبی و عصبی مصنوعی را پوشش می‌دهد. او با ارائه مقدمه‌ای بر اجزای شبکه عصبی شروع می‌کند و درباره عملکردهای فعال‌سازی و backpropagation بحث می‌کند. سپس به شبکه‌های عصبی convolutional نگاه می‌کند و توضیح می‌دهد که چرا آن‌ها به طور خاص در وظایف تشخیص تصویر خوب هستند. او همچنین از طریق نحوه ساخت یک مدل شبکه عصبی با استفاده از Keras قدم می‌گذارد. علاوه بر این، درباره VGG۱۶، تاریخچه چالش ImageNet و چیزهای دیگر یاد بگیرید. اهداف یادگیری نورونها و نورونهای مصنوعی اجزای شبکه های عصبی تجسم شبکه عصبی پیاده سازی شبکه عصبی در کراس تدوین و آموزش مدل شبکه عصبی دقت و ارزیابی مدل شبکه عصبی شبکه های عصبی تحولی در کراس پیشرفت در شبکه های عصبی پیچشی کار با VGG16

توسعه دهندگان جاوا اسکریپت می‌توانند از چارچوب TensorFlow برای ایجاد یک پروژه یادگیری ماشین ( ML ) استفاده کنند. این درس شما را با اصول ML آشنا می‌کند و نشان می‌دهد چگونه از TensorFlow استفاده کرده و از آن برای آموزش مدل و تولید نتایج زنده استفاده کنید. مدرس Emmanuel Henri نشان می‌دهد که چگونه یک پروژه جدید ایجاد کنید؛ چگونه با انواع tensor، متغیرها، مدل‌ها، و لایه‌ها کار کنید؛ چطور یک پروژه را وارد کنید و مجموعه داده را کاوش کنید؛ چطور یک مدل ذخیره‌شده برای وب را اجرا کنید؛ و موارد بیشتر. اهداف یادگیری استفاده از TensorFlow اصول یادگیری ماشین (ML) ایجاد پروژه با TensorFlow کار با تنسورها و متغیرها عملیات TensorFlow ML کار با مدل ها و لایه ها وارد کردن یک پروژه بررسی مجموعه داده ها آموزش مدل استفاده از مدلهای مبتنی بر پایتون در JS تبدیل SavedModel به وب

AWS DeepLens اولین دوربین فیلمبرداری با قابلیت یادگیری عمیق در جهان برای توسعه دهندگان است. در این دوره عملی، مربی جاناتان فرناندز به شما کمک می کند تا با این ابزار جدید هیجان انگیز شروع به کار کنید. جاناتان با آشنایی شما با نحوه کار DeepLens، نحوه تنظیم آن و نحوه عیب یابی مسائل رایج، دوره را آغاز می کند. در مرحله بعد، او شما را از طریق انواع پروژه های موجود با DeepLens راهنمایی می کند، از جمله پروژه های مربوط به تشخیص شی. برای جمع بندی، جاناتان نمای کلی پروژه های آینده ای را که می توانید در نظر بگیرید، ارائه می دهد.

با افزایش مقدار داده ها در دسترس عموم و افزایش توجه به داده های متنی بدون ساختار، درک نحوه تمیز کردن، پردازش و تجزیه و تحلیل داده های متنی فوق العاده ارزشمند است. اگر شما دارای تجربیاتی در Python هستید و علاقه به پردازش زبان طبیعی (NLP) دارید، این دوره می تواند دانش شما را برای حل مشکلات پیچیده با استفاده از یادگیری ماشین فراهم کند. مربی Derek Jedamski یک خلاصه سریع از مفاهیم پردازش زبان طبیعی (NLP) را فراهم می کند، شامل تمیز کردن داده های پیشرفته و تکنیک های بردار سازی را پوشش میدهد، و سپس یک شیرجه عمیق در موضوع طبقه بندی های یادگیری ماشینی، می زند. در این مرحله، او نشان می دهد چگونه دو نوع مختلف از مدل های یادگیری ماشین را بسازید، و همچنین نحوه ارزیابی و آزمایش تغییرات این مدل ها را بیاموزید. اهداف یادگیری تعریف NLP را توضیح دهید. روند توکن سازی را توضیح دهید. هدف بردارسازی را مشخص کنید. نتایج لماتیزه را بشناسید. ویژگی های TF-IDF را خلاصه کنید. دقت را از نظر معیارهای ارزیابی تعیین کنید. سه مزیت استفاده از روشهای گروهی را به خاطر بسپارید.