پی سی دانلود - artificial-intelligence

تنسورفلو (TensorFlow) یک کتابخانهٔ نرم‌افزاری متن‌باز برای یادگیری ماشین در انواع مختلف وظایف مفهومی و زبان است که در حال حاضر توسط ۵۰ تیم تحقیقاتی و محصولات مختلف گوگل از جمله بازشناسی گفتار، جی‌میل، گوگل فوتوز و جستجو که بسیاری از آن‌ها سابقاً از دیست‌بلیف استفاده کرده بودند، استفاده می‌شود. تنسورفلو در آغاز توسط تیم گوگل برین مرکز تحقیقاتی گوگل به صورت داخلی استفاده می‌شد ولی بعدها در ۹ نوامبر ۲۰۱۵ تحت مجوز آپاچی منتشر شد. TensorFlow نرم افزار یادگیری ماشینی گوگل است. گوگل همچنین از TensorFlow برای توسعه پروژه Magenta هم بهره گرفته که هدف ارتقای هنر ماشینی را دنبال می کند. در همین راستا گوگل یک ملودی 90 ثانیه ای پیانو منتشر کرده که کاملا توسط یک شبکه عصبی ساخته شده است. این موضوع تقریبا تصوری از کارهایی که TensorFlow قادر به انجامشان هست را برای کاربران ایجاد می کند.
در دوره آموزشی A Complete Guide on TensorFlow 2.0 using Keras API با آموزش کامل تنسورفالو 2.0 اشنا خواهید شد.

یکی از سرویس‌های مهم گوگل در دسته‌بندی و ترکیب داده‌ها، به‌نام Cloud Data Fusion معرفی شد که سرویسی بامدیریت کامل برای هماهنگ کردن داده‌ها از منابع متفاوت و اتصال آن‌ها با منابع دیگر است. سرویس جدید، به سازمان‌ها امکان می‌دهد تا داده‌های انبارشده را دریافت کرده و برای تحلیل در BigQuery آماده کنند. سرویس BigQuery هم در برنامه‌های جدید توسعه‌ای به‌نام BigQuery Data Transfer دریافت کرد که امکان ارسال داده‌های بیشتر را به کاربران می‌دهد. به‌علاوه، با استفاده از این سرویس توسعه‌یافته می‌توان جابه‌جایی داده‌ها از اپلیکیشن‌های SaaS به BigQuery را به‌صورت اتوماتیک و طبق زمان‌بندی مشخص انجام داد. این سرویس علاوه‌بر اپلیکیشن‌های خود گوگل، از بیش از ۱۰۰ اپلیکیشن مشهور SaaS پشتیبانی می‌کند که از میان آن‌ها می‌توان به Salesforce، Marketo، Workday و Stripe اشاره کرد.
در دوره آموزشی Applied Machine Learning with BigQuery on Google Cloud Platform با آموزش یادگیری ماشین با بیگ کوئری روی پلتفرم ابری گوگل اشنا خواهید شد.

کراس (Keras) یک کتابخانهٔ متن‌باز شبکه عصبی است که به زبان پایتون نوشته شده است و قابل است که بر روی تنسورفلو یا ثینو قابل اجرا است. این نرم‌افزار به منظور آزمایش کردن سریع یادگیری عمیق طراحی شده است و در طراحی آن بر روی کوچک، ماژولار و قابل گسترش بودن توجه شده است. یادگیری عمیق (Deep learning) یک زیر شاخه از یادگیری ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل می‌کنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است. یک نمونه آموزشی (برای نمونه: تصویر یک گربه) می‌تواند به صورت‌های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل‌های کوچک‌تر (نظیر اعضای صورت گربه) مدل سازی شود.
در دوره آموزشی Applied Deep Learning with Keras با آموزش یادگیری عمیق با کراس اشنا خواهید شد.