یادگیری عمیق – شبکه های عصبی بازگشتی در پایتون

در این دوره با GRU و LSTM، پیش‌ بینی سری زمانی، پیش‌ بینی بازار سهام، پردازش زبان طبیعی (NLP) با استفاده از هوش مصنوعی آشنا می شوید.

آنچه یاد خواهید گرفت

• اعمال RNN برای پیش بینی سری های زمانی (مقابله با مشکل فراگیر “پیش بینی سهام”)
• اعمال RNN در پردازش زبان طبیعی (NLP) و طبقه‌ بندی متن (تشخیص اسپم)
• اعمال RNN در طبقه بندی تصویر
• درک واحدهای بازگشتی ساده (واحد Elman)، GRU و LSTM (واحد حافظه کوتاه مدت بلند مدت)
• نوشتن شبکه های بازگشتی مختلف در تنسورفلو 2
• درک نحوه کاهش مشکل محوشدگی گرادیان
• درک اصول مهم برای OpenAI ChatGPT و GPT-4 و DALL-E و Midjourney و استیبل دیفیوژن

توضیحات دوره

این دوره به شما موارد زیر را آموزش می دهد:

• مبانی یادگیری ماشین و نورون ها (فقط یک بررسی برای گرم کردن ذهن شما)
• شبکه های عصبی برای طبقه بندی و رگرسیون (فقط یک بررسی برای گرم کردن ذهن شما)
• چگونه داده توالی را مدل سازی کنیم؟
• چگونه داده سری زمانی را مدل سازی کنیم؟
• چگونه داده متنی را برای NLP (از جمله مراحل پیش پردازش برای متن) مدل سازی کنیم؟
• چگونه با استفاده از تنسورفلو 2 یک RNN بسازیم؟
• چگونه از GRU و LSTM در تنسورفلو 2 استفاده کنیم؟
• چگونه پیش بینی سری زمانی را با تنسورفلو 2 انجام دهیم؟
• چگونه قیمت سهام و بازده سهام را با LSTM در تنسورفلو 2 پیش بینی کنیم؟ (اشاره: این همان چیزی نیست که شما فکر می کنید.)
• چگونه از تعبیه ها در تنسورفلو 2 برای NLP استفاده کنیم؟
• چگونه طبقه بندی متن را با RNN برای NLP انجام دهیم؟ (مثال: تشخیص اسپم، تحلیل احساسات، تگ گذاری parts-of-speech و شناسایی انتیتی نامگذاری شده)

این دوره برای چه کسانی مناسب است:

• دانشجویان، متخصصان و هر کس دیگری که علاقه مند به یادگیری عمیق، پیش بینی سری زمانی، داده توالی یا NLP است.
• مهندسان نرم افزار و دانشمندان داده که می خواهند حرفه خود را ارتقا دهند.