دوره یادگیری عمیق - شبکه‌های عصبی بازگشتی در پایتون

آنچه یاد خواهید گرفت: اعمال RNNs برای پیش‌بینی سری‌های زمانی (حل مسئله‌ رایج پیش‌بینی سهام) اعمال RNNs در پردازش زبان طبیعی (NLP) و دسته‌بندی متن (تشخیص اسپم) اعمال RNNs برای دسته‌بندی تصاویر درک واحد بازگشتی ساده (واحد Elman) و GRU و LSTM (واحد حافظه‌ کوتاه‌مدت و بلندمدت) نوشتن انواع شبکه‌های بازگشتی در تنسورفلو 2 درک روش‌های کاهش مشکل محوشدگی گرادیان درک اصول مهم برای OpenAI ChatGPT و GPT-4 و DALL-E و Midjourney و استیبل دیفیوژن پیش‌نیازهای دوره آشنایی اولیه با ریاضی (مشتق‌گیری، جبر ماتریسی، احتمال) مفید است. پایتون، Numpy و Matplotlib توضیحات دوره تنسورفلو 2 و پایتون 3 تا به حال فکر کرده‌اید فناوری‌های هوش مصنوعی مانند OpenAI ChatGPT و GPT-4 و DALL-E و Midjourney و استیبل دیفیوژن واقعاً چگونه کار می‌کنند؟ در این دوره، اصول این کاربردهای تحول‌آفرین را یاد می‌گیرید. شما با یکی از قدرتمندترین معماری‌های یادگیری عمیق آشنا می‌شوید. شبکه عصبی بازگشتی (RNN) برای دستیابی به نتایج پیشرفته در مدل‌سازی دنباله‌ها به کار رفته است. این حوزه شامل تحلیل سری‌های زمانی، پیش‌بینی و پردازش زبان طبیعی (NLP) می‌شود. شما یاد می‌گیرید چرا RNNs از الگوریتم‌های قدیمی یادگیری ماشین مانند مدل‌های مخفی مارکوف بهتر عمل می‌کنند. این دوره به شما موارد زیر را آموزش می‌دهد: مبانی یادگیری ماشین و نورون‌ها (فقط یک بررسی برای شروع) شبکه‌های عصبی برای دسته‌بندی و رگرسیون (فقط یک بررسی برای شروع) چگونه داده‌ دنباله‌ را مدل‌سازی کنیم؟ چگونه داده‌ سری زمانی را مدل‌سازی کنیم؟ چگونه داده‌ متنی را برای NLP مدل‌سازی کنیم؟ (از جمله مراحل پیش‌پردازش متن) چگونه با استفاده از تنسورفلو 2 یک RNN بسازیم؟ چگونه از GRU و LSTM در تنسورفلو 2 استفاده کنیم؟ چگونه با تنسورفلو 2 پیش‌بینی سری زمانی انجام دهیم؟ چگونه با LSTMs در تنسورفلو 2 قیمت سهام و بازده سهام را پیش‌بینی کنیم؟ (نکته: آن‌ طور که فکر می‌کنید نیست.) چگونه از تعبیه‌ها در تنسورفلو 2 برای NLP استفاده کنیم؟ چگونه یک RNN برای دسته‌بندی متن در NLP بسازیم؟ (مثال‌ها: تشخیص اسپم، تحلیل احساسات، تگ گذاری parts-of-speech، شناسایی انتیتی نامگذاری شده) تمام مباحث لازم برای دوره را می‌توانید به‌ صورت رایگان دانلود و نصب کنید. بیشتر کارهای خود را با Numpy و Matplotlib و تنسورفلو انجام می‌دهیم. این دوره بر «ساخت و درک» تمرکز دارد، نه فقط «استفاده کردن». هر کسی می‌تواند پس از خواندن چند صفحه مستندات، در 15 دقیقه از یک API استفاده کند. موضوع، «به‌ خاطر سپردن حقایق» نیست؛ بلکه «دیدن با چشم خود» از طریق تست است. این دوره به شما یاد می‌دهد که آنچه درون مدل رخ می‌دهد را چگونه تجسم کنید. اگر چیزی بیشتر از یک نگاه سطحی به مدل‌های یادگیری ماشین می‌خواهید، این دوره برای شماست. «اگر نتوانید آن را پیاده‌سازی کنید، آن را نمی‌فهمید» یا همان‌طور که فیزیک‌دان بزرگ، ریچارد فاینمن، گفته است: «آنچه را نتوانم بسازم، نمی‌فهمم». دوره‌های ما تنها دوره‌هایی هستند که در آنها یاد می‌گیرید الگوریتم‌های یادگیری ماشین را از ابتدا پیاده‌ کنید. دوره‌های دیگر به شما یاد می‌دهند داده‌ خود را در یک کتابخانه قرار دهید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟ بعد از انجام دادن همین کار با 10 مجموعه‌ داده، متوجه می‌شوید که 10 چیز یاد نگرفته‌اید. شما 1 چیز یاد گرفته‌اید و فقط همان 3 خط کد را 10 بار تکرار کرده‌اید. پیش‌نیازهای پیشنهادی: جمع و ضرب ماتریس‌ها احتمال اولیه (توزیع‌های شرطی و مشترک) کدنویسی پایتون - if/else و حلقه‌ها، لیست‌ها، دیکشنری‌ها، مجموعه‌ها کدنویسی Numpy - عملیات‌های ماتریسی و برداری، بارگذاری یک فایل CSV دوره‌ها را با چه ترتیبی باید بگذرانیم؟ درس «نقشه راه پیش‌نیازهای یادگیری ماشین و هوش مصنوعی» را ببینید. ویژگی‌های منحصربه‌فرد: هر خط کد با جزئیات توضیح داده می‌شود. مثل بعضی دوره‌های دیگر، وقت‌ شما با «تایپ کردن» بیهوده تلف نمی‌شود. بیایید صادق باشیم، هیچ‌کس واقعاً نمی‌تواند در 20 دقیقه از صفر کدی بنویسد که ارزش یادگیری داشته باشد. از ریاضی در سطح دانشگاه نمی‌ترسید. شما جزئیات مهمی از الگوریتم‌ها را یاد می‌گیرید که در دوره‌های دیگر حذف می‌شوند. این دوره برای چه کسانی مناسب است؟ دانشجویان، متخصصان و کسی که به یادگیری عمیق، پیش‌بینی سری‌های زمانی، داده‌ دنباله‌ یا NLP علاقه‌مند است. مهندسان نرم‌افزار و دانشمندان داده که می‌خواهند مسیر شغلی خود را ارتقا دهند.