پی سی دانلود - deep-learning

این دوره مجموعه آموزش تصویری در زمینه یادگیری ماشین و هوش مصنوعی و در شاخه یادگیری عمیق (Deep Learning) است. دوره پیش روی شما به عنوان یک دوره پیشرفته در زمینه یادگیری عمیق به مسائل پیچیده و تخصصی می پردازد. شما در این دوره آموزشی به پردازش زبان های طبیعی (Natural Language Processing) با استفاده از Sequence-to-sequence (seq2seq)، Attention، CNNs، RNNs و حافظه شبکه خواهید پرداخت. به نقل از ناشر این دوره آموزشی شما با مشاهده این دوره آموزشی به سطح بالاتری از تفکر دست پیدا خواهید کرد.
در دوره آموزشی Udemy Deep Learning: Advanced NLP and RNNs با آموزش یادگیری عمیق: ان ال پی پیشرفته و آر ان ان آشنا خواهید شد.

این دوره آموزش یادگیری عمیق و هوش مصنوعی با محوریت توسعه شبکه های عصبی بازگشتی (RNN) است که توسط آکادمی یودمی منتشر شده است. از جمله مهم ترین مباحث پوشش داده شده در این دوره آموزشی می توان به معماری GRU، معماری حافظه طولانی کوتاه-مدت (LSTM)، پیش بینی سری زمانی، پیش بینی قیمت سهام، پردازش زبان های طبیعی (NLP) با هوش مصنوعی و ... اشاره کرد. در ابتدای این دوره آموزشی به صورت مختصر و در عین حال کاربردی با معماری های معروف یادگیری عمیق آشنا خواهید شد. شبکه های عصبی بازگشتی یا به اختصار RNN یکی از معروف ترین کلاس های توسعه سیستم های مبتنی بر هوش مصنوعی هستند که در مدل سازی توالی عملیات کاربرد دارند.
در دوره آموزشی Udemy Deep Learning: Recurrent Neural Networks in Python با آموزش یادگیری عمیق: شبکه های عصبی مکرر در پایتون آشنا خواهید شد.

این دوره آموزشی برنامه نویسی پایتون از وب سایت یودمی است. این دوره برای دانشجویان رشته علوم کامپیوتر و برنامه نویسان حرفه ای پایتون مناسب بوده و مباحث بسیار مهمی مانند علم داده ها، یادگیری ماشینی و یادگیری عمیق و هوش مصنوعی را آموزش می دهد. رگرسیون خطی یا تنازل خطی (linear regression) یکی از مهم ترین و ابتدایی ترین تکنیک های رشته یادگیری ماشینی و علوم داده است و می تواند نقطه شروع بسیار مناسبی برای یادگیری این فنون باشد. این دوره آموزشی با محوریت روش تحلیل رگرسیون خطی منتشر شده است و تمامی مباحث تئوری و عملی مرتبط با آن را آموزش می دهد. در پایان دوره نیز با روش های پیاده سازی این تکنیک آشنا شده و چندین اپلیکیشن و پروژه عملی را همگام با مدرس توسعه خواهید داد.
در دوره آموزشی Udemy Deep Learning Prerequisites: Linear Regression in Python با آموزش یادگیری عمیق: رگرسیون خطی در پایتون آشنا خواهید شد.

این دوره آموزش یادگیری عمیق در PyTorch با استفاده از یک روش علمی و عملی با کمک مثال های فراوان و مسائل عملی است. با گذراندن این دوره، شما یک تجربه انعطاف پذیر، اصولی و با دوام در یادگیری عمیق کسب خواهید کرد. شما مفاهیم اصولی را به کمک این دوره یاد خواهید گرفت و خواهید توانست موضوعات و ترند های جدید در آینده را به آسانی یاد بگیرید.
در دوره آموزشی Udemy A deep understanding of deep learning (with Python intro) با آموزش عمیق درک یادگیری عمیق همراه با پایتون مقدماتی اشنا خواهید شد.

یادگیری عمیق با TensorFlow ، Keras و PyTorch LiveLessons مقدمه ای برای یادگیری عمیق است که رویکرد انقلابی یادگیری ماشین را با دموی تعاملی از محبوب ترین کتابخانه یادگیری عمیق ، TensorFlow و API سطح بالای آن ، Keras ، به زندگی وارد می کند. به عنوان کتاب جدید داغ PyTorch. تئوری اساسی برای ارائه درک شهودی از مبانی اساسی یادگیری عمیق در تابلو است. به عنوان مثال، شبکه های عصبی مصنوعی. این دانش بنیادی همراه با نکاتی برای غلبه بر مشکلات رایج و برنامه های کاربردی کد ارائه شده در نوت بوک های Jupyter مستقر در پایتون، به افراد بدون درک قبلی از شبکه های عصبی برای ساختن مدل های پیشرفته یادگیری عمیق قدرت می بخشد.
در دوره آموزشی InformIT Deep Learning with Tensorflow, Keras and PyTorch LiveLessons (Video Training), 2nd Edition با آموزش یادگیری عمیق با تنسورفالو، کراس و پای تورچ اشنا خواهید شد.

این دوره بخشی از مجموعه "یادگیری عمیق برای NLP" است. در این دوره، من مفاهیم اساسی یادگیری عمیق مانند گیرنده های چند لایه، تعبیه کلمات و شبکه های عصبی راجعه را معرفی می کنم. این مفاهیم پایه ای برای درک خوب از مدل های پیشرفته یادگیری عمیق برای پردازش زبان طبیعی است.
در دوره آموزشی Udemy Deep Learning for Natural Language Processing (DL for NLP) Tutorial Series با آموزش یادگیری عمیق برای پردازش زبان طبیعی اشنا خواهید شد.

یادگیری عمیق یا Deep learning (که به عنوان یادگیری ساختارمند عمیق یا یادگیری سلسله وار هم شناخته میشود) بخشی از خانواده بزرگتر روش های یادگیریِ مبتنی بر نمایش داده های یادگیری است و در مقابل الگوریتم های مختص کار قرار دارد. یادگیری ممکن است نظارت شده، نیمه نظارت شده یا بدون نظارت باشد. معماری های یادگیری عمیق همچون شبکه های عصبی عمیق، شبکه های باور عمیق و شبکه های عصبی بازگشتی در زمینه هایی از جمله بینایی رایانه، شناسایی گفتار، پردازش زبان طبیعی، شناسایی صوت، فیلترینگ شبکه های اجتماعی، ترجمه ماشینی، بیوانفورماتیک، طراحی دارو و برنامه بازی های تخته ای استفاده شده اند که در آن ها نتایجی قابل قیاس با متخصصین انسانی و بعضاً برتر از آن ها ارائه کرده اند. مدل های یادگیری عمیق به شکلی نه چندان روشن از الگوهای پردازش اطلاعاتی و  ارتباطی در سیستم های عصبی زیستی الهام گرفته شده اند اما تفاوت های مختلفی در ویژگی های ساختاری و عملکردی با مغزهای زیستی (به ویژه مغز انسان) دارند، که باعث عدم همخوانی آنها با شواهد علوم اعصاب میشود.
در دوره آموزشی Udemy Deep learning :End to End Object Detection Masters با آموزش یادگیری عمیق: تشخیص اشیا اشنا خواهید شد.

یادگیری عمیق زیر مجموعه‌ای از یادگیری ماشین است که در آن از الگوریتم‌هایی استفاده می‌شود که مغز انسان را شبیه‌سازی می‌کنند. این الگوریتم‌ها شبکه‌های عصبی مصنوعی نام دارند. یادگیری عمیق یک روش یادگیری ماشین است که به کامپیوترها یاد می‌دهد که کاری را که معمولا انسان‌ها انجام می‌دهند را انجام دهند: یادگیری با مثال‌ها. یادگیری عمیق تکنولوژی اصلی ساخت خودروهای خودران است؛ یادگیری عمیق به خودروها این توانایی را می‌دهد که تابلوها را شناسایی کنند، و یا تیر چراغ برق را از انسان تشخیص دهند. یادگیری عمیق تکنولوژی کلیدی مورد استفاده در رابط کاربری صوتی تلفن‌های همراه، تبلت‌ها، تلویزیون‌ها و هندزفری‌ها است. مدتی است که یادگیری عمیق توجه بیش‌تری را به سمت خود جلب کرده است؛ چراکه نتایجی را با خود به همراه داشته است که هیچگاه در گذشته ممکن نبوده‌اند.
در دوره آموزشی Udemy Deep Learning for Everyone با آموزش یادگیری عمیق برای همه اشنا خواهید شد.

 یادگیری عمیق (Deep learning) (یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی) 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. برخی از این روش‌های مدل سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) می‌شود. در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل خودکار بدون نظارت و نیمه نظارتی وجود دارد. انگیزهٔ نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده است که در آن یاخته‌های عصبی با فرستادن پیام به یکدیگر درک را امکان‌پذیر می‌کنند. بسته به فرض‌های گوناگون در مورد نحوهٔ اتصال این یاخته‌های عصبی، مدل‌ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده‌اند، هرچند که این مدل‌ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی‌های بیشتری را دارا است. این مدل‌ها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده، شبکه باور عمیق پیشرفت‌های خوبی را در حوزه‌های پردازش زبان‌های طبیعی، پردازش تصویر ایجاد کرده‌اند.
در دوره آموزشی Udemy Deep Learning Projects Masterclass 2021: Build AI Web Apps با آموزش تسلط بر پروژه های یادگیری عمیق اشنا خواهید شد.

یادگیری عمیق (Deep learning) (یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی) 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. برخی از این روش‌های مدل سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) می‌شود. در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل خودکار بدون نظارت و نیمه نظارتی وجود دارد. انگیزهٔ نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده است که در آن یاخته‌های عصبی با فرستادن پیام به یکدیگر درک را امکان‌پذیر می‌کنند. بسته به فرض‌های گوناگون در مورد نحوهٔ اتصال این یاخته‌های عصبی، مدل‌ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده‌اند، هرچند که این مدل‌ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی‌های بیشتری را دارا است. این مدل‌ها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده، شبکه باور عمیق پیشرفت‌های خوبی را در حوزه‌های پردازش زبان‌های طبیعی، پردازش تصویر ایجاد کرده‌اند.
در دوره آموزشی Udemy Deep Learning with React-Native & Python - Build 7 AI Apps با آموزش یادگیری عمیق با ری اکت نیتیو و پایتون اشنا خواهید شد.