توضیحات
کاملترین آموزش پروژه محور TensorFlow
نام دوره : TensorFlow Developer Certificate in 2023: Zero to Mastery
پیش نیاز:
- مک / ویندوز / لینوکس – همه سیستم عامل ها با این دوره کار می کنند!
- بدون نیاز به دانش قبلی TensorFlow. درک اولیه یادگیری ماشین مفید است
توضیحات:
کارشناسان TensorFlow تا 204000 دلار در سال درآمد دارند که طبق آمار سال 2023 میانگین حقوق در حدود 148000 دلار آمریکا است.
با گذراندن این گواهی که به طور رسمی توسط گوگل به رسمیت شناخته شده است، به صنعت رو به رشد یادگیری ماشینی می‌پیوندید و به یکی از برنامه‌نویسان پردرآمد TensorFlow تبدیل می‌شوید!
اگر در امتحان قبول شوید، بخشی از شبکه توسعه دهندگان TensorFlow Google خواهید بود که استخدام‌کنندگان می‌توانند شما را پیدا کنند.
هدف از این دوره آموزش تمام مهارت‌های لازم برای رفتن و قبولی در این آزمون و دریافت گواهینامه TensorFlow از Google است تا بتوانید آن را در رزومه، لینکدین، گیت‌هاب و دیگر پلت‌فرم‌های رسانه‌های اجتماعی به نمایش بگذارید تا واقعاً شما را ثابت کند.
در اینجا یک خلاصه کامل دوره کاملترین آموزش پروژه محور TensorFlow از همه چیزهایی است که ما آموزش خواهیم داد
این دوره مبتنی بر پروژه خواهد بود.
شما فقط به آموزش ما خیره نخواهید شد، بلکه در واقع می توانید آزمایش کنید، تمرین کنید و مدل ها و پروژه های یادگیری ماشینی را برای تقلید از سناریوهای زندگی واقعی بسازید.
مهمتر از همه، ما به شما نشان خواهیم داد که امتحان TensorFlow برای شما چگونه خواهد بود.
در پایان همه چیز، شما مهارت های مورد نیاز برای توسعه راه حل های یادگیری عمیق مدرن را که شرکت های بزرگ فناوری با آن مواجه می شوند، توسعه خواهید داد.
0 – مبانی TensorFlow
- مقدمه ای بر تانسورها (ایجاد تانسور)
- دریافت اطلاعات از تانسورها (ویژگی های تانسور)
- دستکاری تانسورها (عملیات تانسور)
- تانسورها و NumPy
- استفاده از @tf.function (روشی برای افزایش سرعت توابع پایتون معمولی)
- استفاده از GPU با TensorFlow
1 – رگرسیون شبکه عصبی با TensorFlow
- مدل های متوالی TensorFlow را با چندین لایه بسازید
- داده ها را برای استفاده با یک مدل یادگیری ماشین آماده کنید
- مولفه های مختلفی را که یک مدل یادگیری عمیق را تشکیل می دهند بیاموزید (عملکرد ضرر، معماری، تابع بهینه سازی)
- یاد بگیرید چگونه یک مشکل رگرسیون را تشخیص دهید (پیش بینی یک عدد) و یک شبکه عصبی برای آن بسازید.
2 – طبقه بندی شبکه عصبی با TensorFlow
- یاد بگیرید چگونه یک مشکل طبقه بندی را تشخیص دهید (پیش بینی اینکه آیا چیزی یک چیز یا چیز دیگری است)
- ساخت، کامپایل و آموزش مدل های طبقه بندی یادگیری ماشین با استفاده از TensorFlow
- ساخت و آموزش مدل هایی برای طبقه بندی باینری و چند کلاسه
- معیارهای عملکرد مدل‌سازی نمودار در برابر یکدیگر
- مطابقت ورودی (شکل داده های آموزشی) و اشکال خروجی (هدف داده های پیش بینی)
3 – بینایی کامپیوتری و شبکه های عصبی کانولوشنال با TensorFlow
- ساخت شبکه های عصبی کانولوشنال با Conv2D و لایه های ادغام
- یاد بگیرید که چگونه انواع مختلف مشکلات بینایی کامپیوتر را تشخیص دهید
- آموزش ساخت شبکه های عصبی بینایی کامپیوتری
- یاد بگیرید که چگونه از تصاویر دنیای واقعی با مدل های بینایی رایانه خود استفاده کنید
4 — آموزش انتقال با TensorFlow قسمت 1: استخراج ویژگی
- نحوه استفاده از مدل های از پیش آموزش دیده برای استخراج ویژگی ها از داده های خود را بیاموزید
- نحوه استفاده از TensorFlow Hub برای مدل های از پیش آموزش دیده را بیاموزید
- یاد بگیرید که چگونه از TensorBoard برای مقایسه عملکرد چندین مدل مختلف استفاده کنید
5 — آموزش انتقال با TensorFlow قسمت 2: تنظیم دقیق
- نحوه راه اندازی و اجرای چندین آزمایش یادگیری ماشین را بیاموزید
- یاد بگیرید که چگونه از افزایش داده ها برای افزایش تنوع داده های آموزشی خود استفاده کنید
- بیاموزید که چگونه یک مدل از پیش آموزش دیده را با مشکل سفارشی خود تنظیم کنید
- یاد بگیرید که چگونه از Callbacks برای افزودن قابلیت به مدل خود در طول آموزش استفاده کنید
6 — آموزش انتقال با TensorFlow قسمت 3: افزایش مقیاس (Food Vision mini)
- یاد بگیرید که چگونه یک مدل موجود را بزرگ کنید
- با یافتن اشتباه ترین پیش بینی ها، نحوه ارزیابی مدل های یادگیری ماشینی خود را بیاموزید
- کاغذ اصلی Food101 را تنها با استفاده از 10 درصد داده ها شکست دهید
7 – پروژه بزرگ1: چشم انداز غذا
برای ساخت Food Vision همه چیزهایی را که در 6 نوت بوک قبلی آموخته اید ترکیب کنید:
یک مدل بینایی کامپیوتری که می تواند 101 نوع غذای مختلف را طبقه بندی کند. مدل ما به خوبی و واقعاً کاغذ اصلی Food101 را شکست می دهد.
8 – مبانی NLP در TensorFlow
یاد بگیرید که:
- پیش پردازش متن زبان طبیعی برای استفاده در شبکه عصبی
- با TensorFlow جاسازی های کلمه (نمایش عددی متن) ایجاد کنید
- ساخت شبکه های عصبی با قابلیت طبقه بندی باینری و چند کلاسه با استفاده از:
- RNN (شبکه های عصبی مکرر)
- LSTM (سلول های حافظه کوتاه مدت بلند مدت)
- GRU (واحدهای مکرر دردار)
- CNN ها
- یاد بگیرید که چگونه مدل های NLP خود را ارزیابی کنید
9 — پروژه Milestone 2: SkimLit
مدلی را تکرار کنید که به مقاله PubMed 200k قدرت می‌دهد تا توالی‌های مختلف را در چکیده‌های پزشکی PubMed طبقه‌بندی کند (که می‌تواند به محققان کمک کند خلاصه‌های پزشکی را سریع‌تر بخوانند)
10 – اصول سری زمانی در TensorFlow
- یاد بگیرید چگونه یک مشکل سری زمانی را تشخیص دهید (ساخت مدلی برای پیش بینی بر اساس داده ها در طول زمان، به عنوان مثال پیش بینی قیمت سهام AAPL در فردا)
- تهیه داده برای شبکه های عصبی سری زمانی (ویژگی ها و برچسب ها)
- درک و استفاده از روش های مختلف ارزیابی سری های زمانی
- MAE – به معنای خطای مطلق است
- ساخت مدل های پیش بینی سری های زمانی با TensorFlow
- RNN (شبکه های عصبی مکرر)
- CNN (شبکه های عصبی کانولوشنال)
11 — پروژه بزرگ 3: (سورپرایز)
اگر تا اینجا خوانده اید، احتمالاً به دورهکاملترین آموزش پروژه محور TensorFlow علاقه مند هستید. این آخرین پروژه خوب خواهد بود.. ما به شما قول می دهیم، پس شما را در داخل دوره می بینم
دوره کاملترین آموزش پروژه محور TensorFlow برای چه کسانی است:
- دانش‌آموزان، توسعه‌دهندگان و دانشمندان داده که می‌خواهند مهارت‌های عملی یادگیری ماشین را از طریق ساخت و آموزش مدل‌ها با استفاده از TensorFlow نشان دهند.
- هر کسی که به دنبال گسترش دانش خود در زمینه هوش مصنوعی، یادگیری ماشین و یادگیری عمیق است
- هر کسی که به دنبال تسلط بر ساخت مدل های ML با آخرین نسخه TensorFlow است
یودمی ایران –
دوره درخواستی خود را از راه های ارتباطی درخواست کنید