دانلود آموزش Deep Learning with Python Video Edition

  • منتخب
  • ۱۶ام خرداد ۱۳۹۷
  • 0 دیدگاه

توضیحات : به یکی از بهترین دوره های Deep Learning خوش آمدید. این دوره یکی از شفاف ترین دوره های مرتبط با یادگیری عمیق (هوش مصنوعی) میباشد. دوره آموزشی Deep Learning with Python توسط زبان قدرتمند پایتون و کتابخانه محبوب Keras میباشد. این دوره آموزشی توسط François Chollet توسعه دهنده Keras و محقق Google AI طراحی شده است و به شما به درک بهتر یادگیری عمیق همراه با مثال های کاملا عملی کمک خواهد کرد. یادگیری ماشین در سالهای اخیر پیشرفت چشمگیری کرده است. ما از سخنرانی ها و تشخیص چهره غیر قابل استفاده به سمت نزدیک به دقت انسان پیشرفت داشته ایم. از ماشینی که نمیتوانست یک بازیکن Go را شکست دهد به سوی شکست دادن قهرمانهای جهانی رفته ایم. پشت پرده این پیشرفت یادگیری عمیق ترکیبی از پیشرفت های مهندسی ، بهترین تکنیک ها و تئوری که باعث به وجود آمدن اپلیکیشن های باهوش تر میباشد. سرفصل کامل این دوره در ادامه مطلب موجود میباشد.

François Chollet در بخش یادگیری عمیق گوگل به عنوان محقق مشغول به کار است . او سازنده کتابخانه یادگیری عمیق Keras و یکی از توسعه دهندگان فریم ورک TensorFlow  می باشد. او همچنین در زمینه یادگیری عمیق با تمرکز بر بینایی کامپیوتر و یادگیری ماشین درحال تحقیق میباشد. مقالات او در کنفرانس های بزرگ نظیر  CVPR – NIPS و ICLR  منتشر شده است .

مباحث کلی :

http://tutdl.ir/wp-content/uploads/icons/category.png یادگیری عمیق از پایه

http://tutdl.ir/wp-content/uploads/icons/category.png راه اندازی محیط یادگیری ماشین

http://tutdl.ir/wp-content/uploads/icons/category.png مدل های image classification

http://tutdl.ir/wp-content/uploads/icons/category.png یادگیری ماشین برای متن و دنباله ها

http://tutdl.ir/wp-content/uploads/icons/category.png استایل انتقال عصبی ، text generation و image generation

این دوره نیازمند اطلاعات پایه زبان پایتون میباشد و  اطلاعات قبلی در مورد Keras ، TensorFlow یا  یادگیری ماشین نیاز نیست.

در این آموزش خواهید آموخت : (این دوره شامل دو بخش اصلی و  ۹ قسمت میباشد)

http://tutdl.ir/wp-content/uploads/icons/category.png PART 1: THE FUNDAMENTALS OF DEEP LEARNING

http://tutdl.ir/wp-content/uploads/icons/category.png PART 2: DEEP LEARNING IN PRACTICE

منتشر شده در :

http://tutdl.ir/wp-content/uploads/icons/company.png Manning Publications

 

قیمت برای خرید از سایت جهت دانلود :

dollar_currency_sign32۱۵  هزار تومان

 

مدرس ویدیو

http://tutdl.ir/wp-content/uploads/icons/authors-icon.png François Chollet

 

زمان ویدیو

http://tutdl.ir/wp-content/uploads/icons/video.png ۹ ساعت و ۵۰ دقیقه

 

حجم ویدیو

http://tutdl.ir/wp-content/uploads/icons/bandwidth.png ۱٫۵ گیگابایت

 

http://tutdl.ir/wp-content/uploads/icons/Button-Download-icon.png دانلود آموزش

برای خرید الکترونیکی این محصول به لینک زیر مراجعه نمایید

لینک پرداخت الکترونیکی

و یا جهت تهیه اکانت VIP و دسترسی به تمام آموزش های VIP به آدرس زیر مراجعه نمائید.

https://tutdl-vip.ir

 

  1. PART 1: THE FUNDAMENTALS OF DEEP LEARNING
    1. Chapter 1. What is deep learning? 00:08:40
    2. Chapter 1. Learning representations from data 00:09:40
    3. Chapter 1. Understanding how deep learning works, in three figures 00:05:14
    4. Chapter 1. Don’t believe the short-term hype 00:07:04
    5. Chapter 1. Before deep learning: a brief history of machine learning 00:08:49
    6. Chapter 1. Decision trees, random forests, and gradient boosting machines 00:10:56
    7. Chapter 1. Why deep learning? Why now? 00:08:58
    8. Chapter 1. A new wave of investment 00:06:45
    9. Chapter 2. Before we begin: the mathematical building blocks of neural networks 00:08:52
    10. Chapter 2. Data representations for neural networks 00:08:59
    11. Chapter 2. Real-world examples of data tensors 00:07:25
    12. Chapter 2. The gears of neural networks: tensor operations 00:05:56
    13. Chapter 2. Tensor dot 00:07:20
    14. Chapter 2. The engine of neural networks: gradient-based optimization 00:09:33
    15. Chapter 2. Stochastic gradient descent 00:08:35
    16. Chapter 2. Looking back at our first example 00:04:01
    17. Chapter 3. Getting started with neural networks 00:10:04
    18. Chapter 3. Introduction to Keras 00:07:31
    19. Chapter 3. Setting up a deep-learning workstation 00:07:26
    20. Chapter 3. Classifying movie reviews: a binary classification example 00:10:12
    21. Chapter 3. Validating your approach 00:05:49
    22. Chapter 3. Classifying newswires: a multiclass classification example 00:10:34
    23. Chapter 3. Predicting house prices: a regression example 00:10:21
    24. Chapter 4. Fundamentals of machine learning 00:10:21
    25. Chapter 4. Evaluating machine-learning models 00:08:44
    26. Chapter 4. Data preprocessing, feature engineering, and feature learning 00:08:28
    27. Chapter 4. Overfitting and underfitting 00:06:58
    28. Chapter 4. Adding weight regularization 00:06:33
    29. Chapter 4. The universal workflow of machine learning 00:06:49
    30. Chapter 4. Developing a model that does better than a baseline 00:07:32
  2. PART 2: DEEP LEARNING IN PRACTICE
    1. Chapter 5. Deep learning for computer vision 00:04:06
    2. Chapter 5. The convolution operation 00:08:36
    3. Chapter 5. The max-pooling operation 00:04:31
    4. Chapter 5. Training a convnet from scratch on a small dataset 00:08:06
    5. Chapter 5. Data preprocessing 00:08:54
    6. Chapter 5. Using a pretrained convnet 00:12:57
    7. Chapter 5. Fine-tuning 00:06:34
    8. Chapter 5. Visualizing what convnets learn 00:07:47
    9. Chapter 5. Visualizing convnet filters 00:09:47
    10. Chapter 6. Deep learning for text and sequences 00:09:08
    11. Chapter 6. Using word embeddings 00:12:03
    12. Chapter 6. Putting it all together: from raw text to word embeddings 00:06:05
    13. Chapter 6. Understanding recurrent neural networks 00:07:49
    14. Chapter 6. Understanding the LSTM and GRU layers 00:09:23
    15. Chapter 6. Advanced use of recurrent neural networks 00:07:41
    16. Chapter 6. A common-sense, non-machine-learning baseline 00:06:50
    17. Chapter 6. Using recurrent dropout to fight overfitting 00:10:42
    18. Chapter 6. Going even further 00:03:59
    19. Chapter 6. Sequence processing with convnets 00:05:21
    20. Chapter 6. Combining CNNs and RNNs to process long sequences 00:06:39
    21. Chapter 7. Advanced deep-learning best practices 00:07:46
    22. Chapter 7. Multi-input models 00:04:13
    23. Chapter 7. Directed acyclic graphs of layers 00:09:48
    24. Chapter 7. Layer weight sharing 00:04:31
    25. Chapter 7. Inspecting and monitoring deep-learning models using Keras callba- acks and TensorBoard 00:05:58
    26. Chapter 7. Introduction to TensorBoard: the TensorFlow visualization framework 00:06:29
    27. Chapter 7. Getting the most out of your models 00:07:39
    28. Chapter 7. Hyperparameter optimization 00:06:02
    29. Chapter 7. Model ensembling 00:08:35
    30. Chapter 8. Generative deep learning 00:06:53
    31. Chapter 8. A brief history of generative recurrent networks 00:08:33
    32. Chapter 8. Implementing character-level LSTM text generation 00:05:55
    33. Chapter 8. DeepDream 00:07:37
    34. Chapter 8. Neural style transfer 00:06:41
    35. Chapter 8. Neural style transfer in Keras 00:07:04
    36. Chapter 8. Generating images with variational autoencoders 00:03:58
    37. Chapter 8. Variational autoencoders 00:09:45
    38. Chapter 8. Introduction to generative adversarial networks 00:05:59
    39. Chapter 8. A bag of tricks 00:08:18
    40. Chapter 9. Conclusions 00:06:08
    41. Chapter 9. How to think about deep learning 00:09:38
    42. Chapter 9. Key network architectures 00:08:42
    43. Chapter 9. The space of possibilities 00:04:21
    44. Chapter 9. The limitations of deep learning 00:05:44
    45. Chapter 9. Local generalization vs. extreme generalization 00:04:57
    46. Chapter 9. The future of deep learning 00:09:35
    47. Chapter 9. Automated machine learning 00:09:12
    48. Chapter 9. Staying up to date in a fast-moving field 00:05:34
مطالب مشابه
ارسال دیدگاه جدید
شما میتوانید نظر و پیشنهاد خود راجب سایت و مطلب را برای ما ارسال کنید.

دیدگاهی ارسال نشده است!