برای استفاده از خدمات وارد حساب خود شوید

1- آشنایی با دوره و درباره مدرس 02:31

2- مخاطبان مورد نظر و محتوای دوره 03:29

3- هوش مصنوعی (AI) چیست و چه دستهبندیهای متنوعی دارد؟ 06:15

4- رانتایمها و تفاوتهای مختلف بین CPU و TPU و GPU چیست؟ 07:15

5- LPU چیست و چه تفاوتی با CPU و GPU و TPU دارد؟ 04:49

6- مدل چیست و چه نکاتی را باید در مورد کارت مدل در نظر بگیریم؟ 02:47

7- تشبیههای واقعی - درک وزن نورون در سناریوهای روزمره 02:56

8- نحوه کار و تریگر شدن پرسپترونها و وزنهای آنها 02:51

9- چگونه وزنها در پرسپترونها و نورونها به صورت بلادرنگ کار میکنند؟ 02:48

10- سوگیریها چه هستند و چگونه عمل میکنند؟ 01:24

11- تابع فعالسازی چیست و چرا به آن نیاز داریم؟ 01:51

12- انواع توابع فعالسازی و یوزکیسهای آنها کدامند؟ 03:31

13- شبکه عصبی و شبکه یادگیری عمیق چه هستند؟ 02:08

14- پارامتر چیست؟ 02:08

15- مدل CNN چیست؟ 01:23

16- هایپرپارامترها، اپوکها، نرخ یادگیری و دستهها چه هستند؟ 02:10

17- AI Notebook (کانتکس هوش مصنوعی) چیست و چرا استفاده میشود؟ 01:34

18- تسلط به Jupyter Notebook - راهنمایی جامع برای ناوبری 03:22

19- راهاندازی Jupyter Notebook محلی با آناکوندا - راهنمایی برای مبتدیان 05:02

20- راهاندازی محیط Navigator آناکوندا - سادهسازی گردش کار علم داده شما 05:47

21- راهاندازی حساب Google Colab و ایجاد اولین Notebook خود 04:22

22- راهاندازی رانتایم خود در GPU و اعتبارسنجی رانتایم GPU 05:22

23- راهاندازی رانتایمها و اعتبارسنجی برنامهای در دسترس بودن TPU در Colab 02:15

24- کشف قدرت واحدهای پردازش - تحلیل مقایسهای CPU و GPU و TPU 06:21

25- کتابخانههای تنسورفلو و کراس چه هستند؟ 01:00

26- دانلود مجموعه داده و درک نوع مجموعه داده 03:33

27- اعتبارسنجی مجموعه دادههای تست و آزمایش 02:25

28- نمایش ماتریسی داده تصویری 02:16

29- نرمالسازی داده پیکسلی برای CNN و افزودن ابعاد اضافی 02:16

30- تعریف مرحله کانولوشن در فرآیند تعریف مدل 01:20

31- درک مدل معمول CNN 00:56

32- درک فرآیند ضرب ماتریسی در لایه کانولوشن برای شناسایی لبهها 00:29

33- درک شناسایی لبه و لایههای باقیمانده و تنظیم هایپرپارامترها 06:02

34- Maxpooling چیست؟ 00:32

35- تأیید و اعتبارسنجی دقت مدل 01:43

36- ذخیره مدل به صورت محلی و تست تصویر محلی 00:45

37- تست تصویر نمونه محلی 00:22

38- تابع ضرر یا هزینه چیست؟ 03:56

39- پس انتشار و انتشار مستقیم چیست؟ 01:53

40- گرادیان کاهشی چیست و انواع آن کدامند؟ 04:26

41- Tweak کردن هایپرپارامترهای مدل برای افزایش دقت 01:38
درباره این دوره