دانلود اپلیکیشن!

یادگیری عمیق با TensorFlow

دوره یادگیری عمیق با TensorFlow

در رابطه با این دوره:

این دوره شامل 14 فصل زیر است:

جزئیات بیشتر فصل

  • درس Meet your instructors and why you should study machine learning
  • درس What does the course cover
جزئیات بیشتر فصل

  • درس Introduction to neural networks
  • درس Training the model
  • درس Types of machine learning
  • درس The linear model
  • درس The linear model. Multiple inputs
  • درس The linear model. Multiple inputs and multiple outputs
  • درس Graphical representation
  • درس The objective function
  • درس L2-norm loss
  • درس Cross-entropy loss
  • درس One parameter gradient descent
  • درس N-parameter gradient descent
جزئیات بیشتر فصل

  • درس Setting up the environment - An introduction - Do not skip, please!
  • درس Why Python and why Jupyter
  • درس Installing Anaconda
  • درس The Jupyter dashboard - part 1
  • درس The Jupyter dashboard - part 2
  • درس Installing TensorFlow 2
جزئیات بیشتر فصل

  • درس Minimal example - part 1
  • درس Minimal example - part 2
  • درس Minimal example - part 3
  • درس Minimal example - part 4
جزئیات بیشتر فصل

  • درس TensorFlow outline
  • درس TensorFlow 2 intro
  • درس A Note on Coding in TensorFlow
  • درس Types of file formats in TensorFlow and data handling
  • درس Model layout
  • درس Interpreting the result and extracting the weights and bias
  • درس Cutomizing your model
جزئیات بیشتر فصل

  • درس Layers
  • درس What is a deep net
  • درس Understanding deep nets in depth
  • درس Why do we need non-linearities
  • درس Activation functions
  • درس Softmax activation
  • درس Backpropagation
  • درس Backpropagation - visual representation
جزئیات بیشتر فصل

  • درس Underfitting and overfitting
  • درس Underfitting and overfitting - classification
  • درس Training and validation
  • درس Training, validation, and test
  • درس N-fold cross validation
  • درس Early stopping
جزئیات بیشتر فصل

  • درس Initialization - Introduction
  • درس Types of simple initializations
  • درس Xavier initialization
جزئیات بیشتر فصل

  • درس Stochastic gradient descent
  • درس Gradient descent pitfalls
  • درس Momentum
  • درس Learning rate schedules
  • درس Learning rate schedules. A picture
  • درس Adaptive learning rate schedules
  • درس Adaptive moment estimation
جزئیات بیشتر فصل

  • درس Preprocessing introduction
  • درس Basic preprocessing
  • درس Standardization
  • درس Dealing with categorical data
  • درس One-hot and binary encoding
جزئیات بیشتر فصل

  • درس The dataset
  • درس How to tackle the MNIST
  • درس Importing the relevant packages and load the data
  • درس Preprocess the data - create a validation dataset and scale the data
  • درس Preprocess the data - shuffle and batch the data
  • درس Outline the model
  • درس Select the loss and the optimizer
  • درس Learning
  • درس Testing the model
جزئیات بیشتر فصل

  • درس Exploring the dataset and identifying predictors
  • درس Outlining the business case solution
  • درس Balancing the dataset
  • درس Preprocessing the data
  • درس Load the preprocessed data
  • درس Learning and interpreting the result
  • درس Setting an early stopping mechanism
  • درس Testing the model
جزئیات بیشتر فصل

  • درس What is a Matrix
  • درس Scalars and Vectors
  • درس Linear Algebra and Geometry
  • درس Scalars, Vectors and Matrices in Python
  • درس Tensors
  • درس Addition and Subtraction of Matrices
  • درس Errors when Adding Matrices
  • درس Transpose of a Matrix
  • درس Dot Product of Vectors
  • درس Dot Product of Matrices
  • درس Why is Linear Algebra Useful
جزئیات بیشتر فصل

  • درس See how much you have learned
  • درس What’s further out there in the machine and deep learning world
  • درس An overview of CNNs
  • درس An overview of RNNs
  • درس An overview of non-NN approaches

مشارکت کنندگان در این صفحه

🖊 شما نیز می‌توانید برای مشارکت در ترجمه‌ی این صفحه یا اصلاح متن انگلیسی، به این لینک مراجعه بفرمایید.