دوره «یادگیری عمیق با تنسورفلو و کراس» در امیر آکادمی یک آموزش کاربردی و پروژه‌محور برای ورود به دنیای شبکه‌های عصبی و هوش مصنوعی است. در این دوره با استفاده از TensorFlow و Keras، مفاهیم یادگیری عمیق را از پایه تا پیاده‌سازی عملی مدل‌هایی مانند MLP و CNN یاد می‌گیرید. در طول دوره با موضوعاتی مانند بهینه‌سازی مدل، مقابله با Overfitting و Transfer Learning آشنا می‌شوید و در نهایت می‌توانید مدل‌های واقعی برای مسائل مختلف طراحی و اجرا کنید.

در این دوره تلاش شده مفاهیم به ساده‌ترین شکل آموزش داده شوند؛ با این حال، برای درک بهتر مطالب، آشنایی با موارد زیر توصیه می‌شود: آشنایی با برنامه‌نویسی پایتون مفاهیم پایه یادگیری ماشین کار با کتابخانه‌هایی مانند Scikit-learn، NumPy و Matplotlib

آنلاین

مقدمه‌ای بر یادگیری ماشین و یادگیری عمیق فرایند یادگیری در یادگیری ماشین پروژه یادگیری ماشین سوالات تشریحی یادگیری ماشین مروری بر تاریخچه یادگیری عمیق و معرفی عملکرد یک نورون مدل‌سازی نورون کنار هم قراردادن نورون‌ها پرسپترون با scikit-learn پرسپترون وزن‌ها در یک شبکه عصبی مصنوعی الگوریتم Backpropagation تنظیمات پیشنهادی برای شبکه رگرسیون تنظیمات پیشنهادی برای شبکه طبقه‌بندی مفهوم cross-entropy معرفی Keras نصب تنسورفلو و کراس دیتاست fashion mnist تعریف مدل sequantial در کراس لایه‌ها و ضرایب مدل sequantial Model Compile و Fit ذخیره تاریخچه fit رسم loss و دقت مدل ارزیابی مدل روی داده تست ساخت مدل رگرسیون برای پیشبینی قیمت خانه wide and deep مدل Functional API مدل با چند خروجی Subclass API ذخیره و بارگذاری مدل Callback API tensorboard بهینه‌سازی heperparameters grid search معرفی ابزارهای بهینه‌سازی مدل مقداردهی اولیه وزن‌ها Non-saturating activation functions Batch Normalization Batch Normalization in keras Gradient clipping Transfer Learning Stochastic gradient descent (SGD) پیاده‌سازی gradient descent یک بعدی با پایتون پیاده‌سازی gradient descent دو بعدی با پایتون Gradient Descent with Momentum پیاده‌سازی Gradient Descent with Momentum پیاده‌سازی Gradient Descent with Nesterov Momentum Adagrad پیاده‌سازی Adagrad RMSProp Adam پیاده‌سازی Adam برنامه‌های زمانی learning rate معرفی چند برنامه زمانی پراستفاده پیاده‌سازی برنامه زمانی Exponential پیاده‌سازی برنامه زمانی Piecewise پیاده‌سازی برنامه زمانی Performance پیاده‌سازی برنامه زمانی 1cycle استفاده از برنامه زمانی 1cycle روی مدل مرور برنامه‌های زمانی learning rate l1-l2 regulaizer Droput Monte-Carlo Dropout Max-Norm regualizer شبکه کانولوشنال عمیق عملیات کانولوشن لایه کانولوشن پیاده‌سازی کانولوشن با تنسورفلو لایه pooling معماری شبکه کانولوشنال عمیق پیاده‌سازی شبکه کانولوشنال عمیق در کراس معرفی شبکه‌های قدرتمند کانولوشنال استفاده از یک شبکه کانولوشنال قوی در کراس Localization Object detection Segmentation