ماشین لرنینگ در حال برگزاری رایگان

دوره ماشین لرنینگ Andrew Ng فصل دوم (Advanced Learning) - زیرنویس اختصاصی فارسی

دوره کامل یادگیری ماشین (Machine Learning specialization) از Andrew Ng تهیه شده از دانشگاه استنفورد آمریکا به همراه زیرنویس ترجمه شده و اختصاصی دیتا تو لرن در کنار آموزش ها و نکات اضافی حین دوره و پس از آن، مناسب جهت آشنایی با مبانی ماشین …

مدرس: Andrew NG ۳ ساعت و ۲۵ دقیقه ویدیو ۹ فصل، ۲۷ جلسه بروزرسانی: در حال بروزرسانی

معرفی دوره

توضیحات کامل دوره

دوره کامل یادگیری ماشین (Machine Learning specialization) از Andrew Ng تهیه شده از دانشگاه استنفورد آمریکا به همراه زیرنویس ترجمه شده و اختصاصی دیتا تو لرن در کنار آموزش ها و نکات اضافی حین دوره و پس از آن، مناسب جهت آشنایی با مبانی ماشین لرنینگ و ریاضیات پایه آن. همچنین فایل های گوگل کولب مربوطه دوره و نمونه کد های اختصاصی تهیه شده توسط دیتا تو لرن در کنار این دوره ارایه می گردد.

سر فصل های ارائه شده در این دوره یاد می‌گیرید :

 

یادگیری نظارت شده (Supervised Learning) شامل Regression & Classification 

یادگیری بدون ناظر (Unsupervised Learning) شامل Recommender systems & Reinforcement Learning

مباحث پیشرفته یادگیری ماشین (Advanced Learning) شامل Neural Networks & Decision tree

آنچه در این دوره دریافت می‌کنید

مسیر یادگیری و امکانات
آموزش مرحله‌به‌مرحلهجلسه‌ها به ترتیب فصل‌بندی شده‌اند تا مسیر یادگیری روشن باشد.
دسترسی به ویدیوهابعد از خرید، ویدیوهای قفل‌شده برای حساب شما فعال می‌شوند.
فایل‌های پیوستدر صورت وجود، فایل‌های مربوط به دوره از همین صفحه قابل دریافت هستند.
پشتیبانی آموزشیسوالات خود را از بخش دیدگاه یا تیکت پیگیری کنید.

محتوای دوره

۹ فصل، ۲۷ جلسه
درک شهودی شبکه های عصبی ۴ جلسه
جلسه ۱: معرفی و خوش‌آمد ۳ دقیقه جلسه ۲: نورون ها و مغز - Neurons And The Brain ۱۱ دقیقه جلسه ۳: پیش‌بینی تقاضا - Demand Prediction ۱۶ دقیقه جلسه ۴: نمونه تشخیص عکس ها - Example Recognizing Images ۷ دقیقه
مدل شبکه عصبی ۳ جلسه
جلسه ۵: لایه های شبکه عصبی - Neural Network Layer ۱۰ دقیقه جلسه ۶: شبکه های عصبی پیچیده‌‌تر - More Complex Neural Networks ۸ دقیقه جلسه ۷: پیش‌بینی – برآورد – انتشار به جلو ۶ دقیقه
پیاده سازی تنسورفلو (Tensorflow) ۳ جلسه
جلسه ۸: برآورد در کد - Inference In Code ۷ دقیقه جلسه ۹: داده در تنسورفلو - Data in Tensorflow ۱۱ دقیقه جلسه ۱۰: ساخت یک شبکه عصبی - Building a Neural Network ۹ دقیقه
پیاده سازی شبکه عصبی در پایتون ۲ جلسه
جلسه ۱۱: حائل رو به جلو در یک لایه تک - Forward Prop in a Single Layer ۵ دقیقه جلسه ۱۲: پیاده سازی کلی انتشار رو به جلو - General implementation of Forward Propagation ۸ دقیقه
گمانه‌زنی‌ ها در مورد هوش عمومی مصنوعی ۱ جلسه
جلسه ۱۳: آیا راهی به AGI وجود دارد - Is There a Path To AGI ۱۱ دقیقه
بردار سازی - اختیاری ۴ جلسه
جلسه ۱۴: چگونه شبکه های عصبی به طور کار‌آمد پیاده سازی می‌شوند ۴ دقیقه جلسه ۱۵: ضرب ماتریسی - Matrix Multiplication ۱۰ دقیقه جلسه ۱۶: قوانین ضرب ماتریسی - Matrix Multiplication Rules ۹ دقیقه جلسه ۱۷: کد ضرب ماتریسی - Matrix Multiplication Code ۷ دقیقه
آموزش شبکه عصبی ۲ جلسه
جلسه ۱۸: پیاده سازی تنسورفلو - Tensorflow Implementation ۳ دقیقه جلسه ۱۹: جزئیات فرایند آموزش - Training Details ۵ دقیقه
توابع فعال ساز ۳ جلسه
جلسه ۲۰: جایگزین های فعال ساز سیگموید - Alternatives to the sigmoid activation ۶ دقیقه جلسه ۲۱: انتخاب توابع فعال ساز - Choosing Activation Functions ۸ دقیقه جلسه ۲۲: برای چه ما به توابع فعال ساز نیاز داریم ۶ دقیقه
طبقه‌بندی چند کلاسه ۵ جلسه
جلسه ۲۳: چند کلاسی - MultiClass ۳ دقیقه جلسه ۲۴: سافت‌مکس - SoftMax ۱۲ دقیقه جلسه ۲۵: شبکه عصبی با خروجی سافت‌مکس - Neural-Network With Softmax Output ۷ دقیقه جلسه ۲۶: پیاده‌سازی بهبود یافته‌ی سافت‌مکس - Improved Implementation Of Softmax ۹ دقیقه جلسه ۲۷: طبقه‌بندی با چند خروجی (اختیاری) - Classification With Multiple Outputs Optional ۴ دقیقه

فایل‌های پیوست دوره

دانلود فایل‌های همراه
نوت بوک و کد های هفته اول 17.53 MB ورود برای دانلود

دیدگاه‌های دوره

۰ نظر ثبت شده

هنوز دیدگاهی ثبت نشده است

اولین سوال یا نظر درباره این دوره را شما بنویسید.

دوره‌های مرتبط

دوره‌های پیشنهادی در همین دسته‌بندی