چرا مهارت آموزی در آکادمی بیرکار؟

آموزش TensorFlow و Keras

دوره TensorFlow و Keras

درس "Keras و TensorFlow" یکی از مهم‌ترین و پرطرفدارترین دروس در زمینه یادگیری عمیق (Deep Learning) و شبکه‌های عصبی می‌باشد. این دوچرخه درسی به شما امکان می‌دهد تا با دو ابزار قدرتمند و پرکاربرد TensorFlow و Keras آشنا شوید.
TensorFlow یکی از پرکاربردترین کتابخانه‌های متن‌باز برای یادگیری عمیق و پیاده‌سازی شبکه‌های عصبی است. این ابزار توسط گوگل توسعه داده شده است و از قابلیت‌ها و ابزارهای متنوعی برای ساخت، آموزش و اجرای مدل‌های عمیق پشتیبانی می‌کند.
Keras یکی از رابط‌های بالاست و درجه بالایی را برای ساخت و آموزش شبکه‌های عصبی در TensorFlow فراهم می‌کند. این ابزار برای سهولت در استفاده، انعطاف‌پذیری و توسعه سریع مدل‌های عمیق بسیار محبوب است.
در این درس شما با مباحث اساسی و پیشرفته مربوط به TensorFlow و Keras آشنا خواهید شد. از جمله مباحثی که در این درس پوشش داده می‌شود می‌توان به معرفی مفاهیم اولیه یادگیری عمیق، ساختار شبکه‌های عصبی، استفاده از لایه‌های مختلف در شبکه، فرآیند آموزش مدل، بهینه‌سازی و ارزیابی مدل‌ها، استفاده از شبکه‌های پیچیده مانند شبکه‌های کانولوشنالی و بازگشتی، و کاربردهای عملی مانند تشخیص تصویر، ترجمه ماشینی، تولید متن، و غیره اشاره کرد.
همچنین، در این درس شما فرصت خواهید داشت تا با استفاده از کتابخانه‌های مرتبط با TensorFlow و Keras، به طراحی، پیاده‌سازی و آموزش مدل‌های عمیق برای حل مسائل واقعی و پروژه‌های کاربردی بپردازید.
این درس به شما امکان می‌دهد تا با دانش و مهارت‌های لازم برای ورود به دنیای پیچیده و هیجان‌انگیز یادگیری عمیق و توسعه مدل‌های هوش مصنوعی آشنا شوید و از ابزارهای قدرتمند TensorFlow و Keras بهره‌مند شوید.

سر فصل ها:
  • 1 مقدمه‌ای بر TensorFlow و Keras- آشنایی با TensorFlow
    •     1-1- تاریخچه و معماری TensorFlow
    •     2-1- مزایای استفاده از TensorFlow در یادگیری ماشین
  • 2 مقدمه‌ای بر TensorFlow و Keras- آشنایی با Keras
    •     1-2- Keras چیست و چرا از آن استفاده می‌کنیم؟
    •     2-2- معماری و اجزای اصلی Keras
  • 3 مقدمه‌ای بر TensorFlow و Keras- نصب و راه‌اندازی
    •     1-3- نصب TensorFlow و Keras
    •     2-3- تنظیم محیط برنامه‌نویسی
  • 4 مقدمه‌ای بر TensorFlow و Keras- اولین برنامه TensorFlow و Keras
    •     1-4- ساخت مدل ساده با Keras
    •     2-4- آموزش و ارزیابی مدل
  • 5 ساختار داده‌ها و پیش‌پردازش در تنسورفلو-تنسورها در TensorFlow
    •     1-5- مفهوم تنسور و انواع آن
    •     2-5- عملیات روی تنسورها
  • 6 ساختار داده‌ها و پیش‌پردازش در تنسورفلو-داده‌های Dataset و DataLoader
    •     1-6- ساخت و مدیریت دیتاست‌ها
    •     2-6- بچینگ، شافل و ترانسفورم دیتاست
  • 7 ساختار داده‌ها و پیش‌پردازش در تنسورفلو-پیش‌پردازش داده‌ها
    •     1-7- نرمال‌سازی و استانداردسازی داده‌ها
    •     2-7- افزایش داده (Data Augmentation)
  • 8 ساخت مدل‌های عمیق با کراس-طراحی معماری مدل
    •     1-8- لایه‌های پایه در Keras
    •     2-8- ساخت مدل‌های Sequential و Functional API
  • 9 ساخت مدل‌های عمیق با کراس-کامپایل مدل
    •     1-9- انتخاب Optimizer، Loss function و Metrics
  • 10 ساخت مدل‌های عمیق با کراس-آموزش مدل
    •     1-10- فرآیند آموزش و اعتبارسنجی
    •     2-10- Callbackها و مدیریت فرآیند آموزش
  • 11 ساخت مدل‌های عمیق با کراس-ارزیابی و بهینه‌سازی مدل
    •     1-11- ارزیابی عملکرد مدل
    •     2-11- روش‌های بهینه‌سازی و جلوگیری از بیش‌برازش
  • 12 پیشرفته‌های TensorFlow و Keras-مدل‌های چند ورودی و چند خروجی
    •     1-12- طراحی مدل‌های پیچیده با Functional API
  • 13 پیشرفته‌های TensorFlow و Keras-شبکه‌های عصبی پیچشی (CNN)
    •     1-13- معماری‌های پایه CNN و کاربردهای آن در پردازش تصویر
  • 14 پیشرفته‌های TensorFlow و Keras-شبکه‌های عصبی بازگشتی (RNN)
    •     1-14- RNN، LSTM و GRU برای پردازش زمانی و متن
  • 15 پیشرفته‌های TensorFlow و Keras-مدل‌های انتقال یادگیری (Transfer Learning)
    •     1-15- استفاده از مدل‌های پیش‌آموزش دیده برای بهبود عملکرد
  • 16 پروژه‌های عملی با TensorFlow و Keras-تشخیص اشیاء
    •     1-16- پیاده‌سازی یک مدل تشخیص اشیاء ساده
  • 17 پروژه‌های عملی با TensorFlow و Keras-تولید متن با RNN
    •     1-17- ساخت یک مدل برای تولید متن خودکار
  • 18 پروژه‌های عملی با TensorFlow و Keras-تشخیص چهره
    •     1-18- پیاده‌سازی یک سیستم تشخیص چهره با استفاده از CNN
  • 19 پروژه‌های عملی با TensorFlow و Keras-استفاده از GANها
    •     1-19- آموزش یک GAN ساده برای تولید تصاویر جدید
  • برای ارسال پیام باید به حساب کاربری خود وارد شوید.
آقای علی حسینی( مدرس مدعو دانشگاه آزاد اسلامی ) | رزومه مدرس

My name is Seyed Ali Hosseini and I am a PhD candidate in software engineering at the Islamic Azad University of Qazvin (Barajin) branch. I also have five years of teaching experience at the Islamic Azad University of Sanandaj branch and have worked on data science projects in several different companies.

مهارتها

Data science

Mobile computing

Network+
CCNA

دوره های استاد:
یادگیری ماشین در پایتون
علی حسینی
در حال برگزاری
آموزش TensorFlow و Keras
علی حسینی
برگزار شده
یادگیری تقویتی
علی حسینی
برگزار شده
یادگیری عمیق
علی حسینی
برگزار شده

تمامی حقوق برای برای آکادمی فناوران بیرکار محفوظ است.

1403 - 1401 ©

جمع :3,439,000 تومان
مشاهده سبد خرید
تسویه حساب
ورود / ثبت نام مدرس شوید