آموزش های تخصصی کاملا رایگان کلیک کن

Pluralsight Building Deep Learning Models Using PyTorch

برترین اساتید تخصصی
دسترسی نامحدود
یادگیری در همه جا
سرفصل های دوره
پرسش و پاسخ با استاد
آزمون
نظرات

Building Deep Learning Models Using PyTorch:

با سلام خدمت همه ی دنبال کنندگان محترم سایت Farkiantech.com

فریمورک PyTorch متن باز  و فریمورک یادگیری عمیق می باشد که یک جایگزین محبوب برای TensorFlow و Apache MXNet است. PyTorch APIs یک رویکرد بومی پایتون را دنبال می کنند که همراه با اجرای گرافیک پویا برای کار با توسعه دهندگان پایتون می باشد.

در این دوره یاد خواهید گرفت که با PyTorch کار کنید و تمام کتابخانه های پیشنهادی، استفاده از Torch tensors، گراف محاسبات دینامیکی و کتابخانه Autograd برای محاسبه شیب آشنا خواهید شد.

این دوره آموزشی به صورت کاملا رایگان در اختیار شما قرار می گیرد، و شامل سرفصل های زیر می باشد:

Pluralsight Building Deep Learning Models Using PyTorch:
Course Overview:
۰۱٫Course Overview

Introduction to PyTorch:
۰۱٫Module Overview
۰۲٫Prerequisites and Course Outline
۰۳٫Neurons and Neural Networks
۰۴٫Introducing PyTorch
۰۵٫Installing PyTorch
۰۶٫Tensors
۰۷٫Creating and Working with PyTorch Tensors
۰۸٫Operations with Tensors
۰۹٫The-Computation-Graph
۱۰٫Gradient Descent
۱۱٫Forward and Backward Passes

Building Simple Neural Networks:
۰۱٫Module Overview
۰۲٫Understanding Gradients
۰۳٫Introducing Autograd
۰۴٫Reverse-mode Automatic Differentiation to Calculate Gradients
۰۵٫Linear Model Using Autograd
۰۶٫Exploring the Automobile Price Prediction Dataset
۰۷٫Price Prediction Using a Fully Connected Neural Network
۰۸٫Optimizers
۰۹٫Neural Networks for Classification
۱۰٫Exploring the Titanic Dataset for Classification
۱۱٫Training the Neural Network
۱۲٫Plotting Accuracy and Loss Metrics

Building an Image Classification Model:
۰۱٫Module Overview
۰۲٫Perceiving an Image
۰۳٫Convolutional Layers
۰۴٫Pooling Layers
۰۵٫CNN Architectures
۰۶٫Batch Normalization
۰۷٫Exploring The CIFAR10 Dataset
۰۸٫Demo Building and Training the CNN
۰۹٫Predictions on Test Data
۱۰٫Transfer Learning
۱۱٫ResNet Pretrained Model Data Exploration
۱۲٫ResNet Pretrained Model Data Exploration, Helper Functions
۱۳٫ResNet Pretrained Model Training and Prediction
۱۴٫Using a Pretrained Model with Frozen Layers

Building a Text Classification Model:
۰۱٫Module Overview
۰۲٫Recurrent Neurons
۰۳٫Unrolling RNN Memory Cells Through Time
۰۴٫Long Memory Cells
۰۵٫Gender Prediction of Names RNN Structure
۰۶٫Prepare the Names Dataset
۰۷٫Building the RNN
۰۸٫Training the RNN
۰۹٫Confusion Matrix
۱۰٫Plotting Name Predictions in a Confusion Matrix
۱۱٫Summary and Further Study

برای دیدن تمام دوره ها به زبان اصلی اینجا کلیک کنید.

Course Overview
1
Course Overview (نمایش رایگان)
ویدئو

Introduction to PyTorch
2
Module Overview (نمایش رایگان)
ویدئو

4

5
Introducing PyTorch (نمایش رایگان)
ویدئو

6
Installing PyTorch (نمایش رایگان)
ویدئو

7
Tensors (نمایش رایگان)
ویدئو

9
Operations with Tensors (نمایش رایگان)
ویدئو

10
The-Computation-Graph (نمایش رایگان)
ویدئو

11
Gradient Descent (نمایش رایگان)
ویدئو

12

Building an Image Classification Model
Building a Text Classification Model
39
Module Overview (نمایش رایگان)
ویدئو

40
Recurrent Neurons (نمایش رایگان)
ویدئو

42
Long Memory Cells (نمایش رایگان)
ویدئو

44

45
Building the RNN (نمایش رایگان)
ویدئو

46
Training the RNN (نمایش رایگان)
ویدئو

47
Confusion Matrix (نمایش رایگان)
ویدئو

49