توضیحات

آموزش یادگیری عمیق و شبکه های عصبی بازگشتی در پایتون

نام دوره : Deep Learning: Recurrent Neural Networks in Python

پیش نیاز:

• ریاضیات پایه (گرفتن مشتقات، محاسبات ماتریس، احتمال) مفید است
• Python، Numpy، Matplotlib

توضیحات:

*** اکنون در تنسورفلو 2 و پایتون 3 ***

در مورد یکی از قدرتمندترین معماری های یادگیری عمیق تا کنون بیاموزید!

شبکه عصبی بازگشتی (RNN) برای به دست آوردن نتایج پیشرفته در مدل‌سازی توالی استفاده شده است.

این شامل تجزیه و تحلیل سری های زمانی ، پیش بینی و پردازش زبان طبیعی (NLP) است.

در مورد اینکه چرا RNN ها الگوریتم های یادگیری ماشینی قدیمی مانند مدل های پنهان مارکوف را شکست می دهند، بیاموزید .

دوره آموزش یادگیری عمیق و شبکه های عصبی بازگشتی در پایتون به شما آموزش می دهد:

• اصول اولیه یادگیری ماشین و نورون ها (فقط یک بررسی برای گرم کردن شما!)
• شبکه های عصبی برای طبقه بندی و رگرسیون (فقط یک بررسی برای گرم کردن شما!)
• نحوه مدل سازی داده های توالی
• نحوه مدل سازی داده های سری زمانی
• نحوه مدل سازی داده های متنی برای NLP (از جمله مراحل پیش پردازش برای متن)
• چگونه با استفاده از Tensorflow 2 یک RNN بسازیم
• نحوه استفاده از GRU و LSTM در Tensorflow 2
• نحوه انجام پیش بینی سری های زمانی با Tensorflow 2
• نحوه پیش‌بینی قیمت سهام و بازده سهام با استفاده از LSTM در Tensorflow 2 (نکته: این چیزی نیست که شما فکر می‌کنید!)
• نحوه استفاده از Embeddings در Tensorflow 2 برای NLP
• نحوه ساخت یک RNN طبقه‌بندی متن برای NLP (مثلاً: تشخیص هرزنامه، تجزیه و تحلیل احساسات، برچسب‌گذاری بخش‌های گفتار، شناسایی موجودیت نام‌گذاری شده)

تمامی مطالب مورد نیاز این دوره به صورت رایگان قابل دانلود و نصب است. ما بیشتر کارهایمان را در Numpy، Matplotlib و Tensorflow انجام خواهیم داد .

این دوره بر روی ” چگونگی ساخت و درک ” تمرکز دارد، نه فقط “نحوه استفاده”. هر کسی می تواند پس از خواندن برخی از اسناد، استفاده از API را در 15 دقیقه یاد بگیرد.

این در مورد “به خاطر سپردن حقایق” نیست، بلکه در مورد “خود دیدن” از طریق آزمایش است. این به شما یاد می دهد که چگونه آنچه را که در مدل اتفاق می افتد در داخل تجسم کنید.

اگر بیش از یک نگاه سطحی به مدل های یادگیری ماشینی می خواهید، این دوره برای شما مناسب است.

در کلاس می بینمت!

“اگر نتوانید آن را اجرا کنید، آن را درک نمی کنید”

یا همانطور که فیزیکدان بزرگ ریچارد فاینمن می گوید: “آنچه را که نمی توانم خلق کنم، نمی فهمم”.

دوره های من تنها دوره هایی هستند که در آنها یاد می گیرید که چگونه الگوریتم های یادگیری ماشینی را از ابتدا پیاده سازی کنید.

دوره های دیگر به شما یاد می دهند که چگونه داده های خود را به کتابخانه متصل کنید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟

پس از انجام همین کار با 10 مجموعه داده، متوجه می شوید که 10 چیز را یاد نگرفته اید. شما یک چیز یاد گرفتید و فقط همان 3 خط کد را 10 بار تکرار کردید…

پیش نیازهای پیشنهادی:

• ماتریس جمع، ضرب
• احتمال پایه (توزیع مشروط و مشترک)
• کدنویسی پایتون: if/else، حلقه‌ها، لیست‌ها، دستورات، مجموعه‌ها
• کدگذاری Numpy: عملیات ماتریس و برداری، بارگیری یک فایل CSV

دوره آموزش یادگیری عمیق و شبکه های عصبی بازگشتی در پایتون برای چه کسانی است:

• دانش‌آموزان، متخصصان و هر کس دیگری که علاقه‌مند به یادگیری عمیق، پیش‌بینی سری زمانی، داده‌های توالی یا NLP است.
• مهندسان نرم افزار و دانشمندان داده که می خواهند سطح حرفه خود را ارتقا دهند