دوره مسترکلاس یادگیری عمیق با TensorFlow 2 با بیش از 20 پروژه

آنچه یاد خواهید گرفت: مبانی Tensor و Variable در TensorFlow مبانی TensorFlow و آموزش شبکه‌های عصبی با TensorFlow 2 شبکه‌های عصبی کانولوشنی برای تشخیص مالاریا ساخت مدل‌های پیشرفته‌تر TensorFlow با Functional API ،Model Subclassing و Custom Layers ارزیابی مدل‌های طبقه‌بندی با معیارهای مختلف ماننددقت، بازیابی، صحت و امتیاز F1 ارزیابی مدل‌های طبقه‌بندی با ماتریس درهم‌ریختگی و منحنی ROC Callbacks در TensorFlow، زمان‌بندی نرخ یادگیری و ایجاد چک‌پوینت مدل مدل کاهش بیش‌برازش و کم‌برازش با Dropout، منظم‌سازی و تقویت داده تقویت داده با TensorFlow با TensorFlow image و لایه‌های Keras استراتژی‌های پیشرفته تقویت داده مانند Cutmix و Mixup تقویت داده با Albumentations همراه با TensorFlow 2 و PyTorch Loss و معیارهای سفارشی در TensorFlow 2 حالت‌های Eager و Graph در TensorFlow 2 حلقه‌های آموزش سفارشی در TensorFlow 2 یکپارچه‌سازی TensorBoard با TensorFlow 2 برای لاگ داده، مشاهده نمودارهای مدل، تیونینگ هایپرپارامتر و پروفایلینگ عملیات‌های یادگیری ماشین (MLOps) با Weights and Biases ردیابی تست‌ها با Wandb تیونینگ هایپرپارامترها با Wandb نسخه‌بندی مجموعه داده با Wandb نسخه‌بندی مدل با Wandb تشخیص احساسات انسانی شبکه‌های عصبی کانولوشنی مدرن (AlexNet ،VGGNet ،ResNet ،MobileNet و EfficientNet) یادگیری انتقالی مصورسازی لایه‌های میانی ConvNet روش Grad-CAM Ensembling مدل و عدم‌توازن کلاس‌ها ترنسفورمرها در بینایی استقرار مدل تبدیل TensorFlow به مدل ONNX آموزش آگاه از کوانتیزاسیون ساخت API با FastAPI استقرار API در ابر تشخیص اشیا از ابتدا با YOLO بخش‌بندی تصویر از ابتدا با مدل UNET شمارش افراد از ابتدا با Csrnet تولید ارقام با Variational Autoencoders (VAE) تولید چهره با Generative Adversarial Neural Networks (GAN) تحلیل احساسات با شبکه‌های عصبی بازگشتی، توجه مدل‌ها و ترنسفورمرها از ابتدا ترجمه ماشینی عصبی با شبکه‌های عصبی بازگشتی، توجه مدل‌ها و ترنسفورمرها از ابتدا طبقه‌بندی Intent با Deberta در ترنسفورمرهای Hugging Face ترجمه ماشینی عصبی با T5 در ترنسفورمرهای Hugging Face پرسش‌پاسخ استخراجی با Longformer در ترنسفورمرهای Hugging Face موتور جستجوی تجارت الکترونیک با ترنسفورمرهای Sentence ژنراتور متن ترانه با GPT2 در ترنسفورمرهای Hugging Face اصلاح خطاهای دستور زبان با T5 در ترنسفورمرهای Hugging Face بات Elon Musk با BlenderBot در ترنسفورمرهای Hugging Face پیش‌نیازهای دوره ریاضیات پایه دسترسی به اینترنت، زیرا از Google Colab (نسخه رایگان) استفاده خواهیم کرد. دانش اولیه پایتون توضیحات دوره یادگیری عمیق یکی از محبوب‌ترین حوزه‌ها در علوم کامپیوتر امروز است. این حوزه در بسیاری از زمینه‌های متنوع کاربرد دارد. با انتشار مدل‌های بسیار کارآمدتر یادگیری عمیق در اوایل دهه 2010، پیشرفت چشمگیری در سطح فناوری‌های پیشرفته در حوزه‌هایی مانند بینایی کامپیوتر، پردازش زبان طبیعی، تولید تصویر و پردازش سیگنال دیده‌ایم. تقاضا برای مهندسان یادگیری عمیق به‌سرعت در حال افزایش است و متخصصان این حوزه به دلیل ارزش بالای خود، حقوق بسیار بالایی دریافت می‌کنند. با این حال، شروع کار در این حوزه آسان نیست. حجم زیادی از اطلاعات در دسترس است که بخش زیادی از آن‌ها قدیمی هستند و بسیاری از آن‌ها هم اصلاً به مبتدیان توجهی ندارند. در این دوره، شما را به سفری جذاب می‌بریم تا به مفاهیم مختلف با رویکردی گام‌به‌گام و پروژه‌محور مسلط شوید. در این مسیر از TensorFlow 2 (محبوب‌ترین کتابخانه یادگیری عمیق در جهان که توسط گوگل ساخته شده است) و Hugging Face استفاده خواهید کرد. ابتدا یاد می‌گیریم چگونه مدل‌های بسیار ساده، مانند مدل‌های رگرسیون خطی برای پیش‌بینی قیمت خودرو، طبقه‌بندهای متنی برای نقدهای فیلم و طبقه‌بندهای دودویی برای پیش‌بینی مالاریا، را بسازیم. سپس، به سراغ مدل‌های پیشرفته‌تر، مانند مدل‌های تشخیص اشیا با YOLO، مدل ژنراتور ترانه با GPT2 و تولید تصویر با GANها می‌رویم. پس از گذراندن این دوره و انجام پروژه‌های مختلف، مهارت‌های لازم برای توسعه راه‌حل‌های مدرن یادگیری عمیق را بدست خواهید آورد؛ راه‌حل‌هایی که در شرکت‌های بزرگ فناوری با آن‌ها روبه‌رو می‌شوند. اگر می‌خواهید یک قدم در مسیر شغلی خود جلو بروید، این دوره برای شما طراحی شده است و ما بسیار خوشحالیم که در رسیدن به اهداف‌تان کمک کنیم! لذت ببرید!!! این دوره برای چه کسانی مناسب است؟ توسعه‌دهندگان مبتدی پایتون که کنجکاوند یادگیری عمیق را برای بینایی کامپیوتر و پردازش زبان طبیعی به کار بگیرند. فعالان یادگیری عمیق در حوزه بینایی کامپیوتر که می‌خواهند درک عمیقی از سازوکارهای پشت صحنه بدست آورند. هر کسی که می‌خواهد به مبانی یادگیری عمیق مسلط شود و همچنین یادگیری عمیق برای بینایی کامپیوتر را با بهترین شیوه‌ها در TensorFlow تمرین کند. فعالان بینایی کامپیوتر که می‌خواهند یاد بگیرند مدل‌های پیشرفته بینایی کامپیوتر چگونه با یادگیری عمیق ساخته و آموزش داده می‌شوند. فعالان پردازش زبان طبیعی که می‌خواهند یاد بگیرند مدل‌های پیشرفته پردازش زبان طبیعی چگونه با یادگیری عمیق ساخته و آموزش داده می‌شوند. هر کسی که می‌خواهد مدل‌های یادگیری ماشین را مستقر کند. یادگیرندگانی که به دنبال رویکردی عملی برای یادگیری عمیق در بینایی کامپیوتر، پردازش زبان طبیعی و تشخیص صدا هستند.