دوره آموزشی شبکه های عصبی مکرر

جزئیات دوره

با مفاهیم شبکه عصبی بازگشتی (RNN) به روشی ساده شروع کنید و برنامه های کاربردی ساده را با RNN و Keras بسازید. RNN یک دامنه در حال رشد سریع در دنیای هوش مصنوعی است. برنامه های محبوب پیشگامانه مانند ترجمه زبان، ترکیب گفتار، پاسخ به سؤال و تولید متن از RNN به عنوان فناوری پایه خود استفاده می کنند. با این حال، مطالعه این فناوری دارای چالش‌های متعددی است. بیشتر منابع یادگیری ریاضی سنگین هستند و بدون داشتن مهارت های ریاضی خوب به سختی می توان آنها را جستجو کرد. متخصصان فناوری اطلاعات با پیشینه‌های مختلف به یک منبع ساده برای یادگیری مفاهیم و ساخت سریع مدل‌ها نیاز دارند. در این دوره، Kumaran Ponnambalam یک مسیر ساده برای مطالعه اصول اولیه شبکه‌های عصبی مکرر ارائه می‌کند و به شما این امکان را می‌دهد که به سرعت بهره‌ور شوید. کوماران با معرفی ساده RNN قبل از طی کردن مراحل ساخت یک مدل شروع می کند. سپس بلوک های ساختمانی محبوب RNN را با GRU ها، LSTM ها، جاسازی کلمات و ترانسفورماتورها پوشش می دهد.

سرفصل ها

0. مقدمه

01 - شروع کار با RNN ها
02 - محدوده و پیش نیازهای دوره
03 - راه‌اندازی فایل‌های تمرینی

1. مقدمه ای بر RNN ها

04 - مروری بر یادگیری عمیق
05 - چرا مدل‌های توالی
06 - یک شبکه عصبی بازگشتی
07 - انواع RNN
08 - کاربردهای RNN

2. مفاهیم RNN

09 - آموزش مدل‌های RNN
10 - انتشار به جلو با RNN
11 - محاسبه تلفات RNN
12 - انتشار به عقب با RNN
13 - پیش‌بینی با RNN

3. یک مثال RNN

14 - یک مثال ساده RNN - پیش‌بینی قیمت سهام
15 - پیش پردازش داده برای RNN
16 - تهیه داده‌های سری زمانی با نگاه به عقب
17 - ایجاد مدل RNN
18 - تست و پیش‌بینی با RNN

4. معماری RNN

19 - مشکل گرادیان ناپدید شدن
20 - واحد برگشتی دروازه دار
21 - حافظه کوتاه مدت بلند مدت
22 - RNN‌های دو طرفه

5. یک مثال LSTM

23 - پیش‌بینی بارهای سرویس با LSTM
24 - الگوهای سری زمانی
25 - تهیه داده‌های سری زمانی برای LSTM
26 - ایجاد مدل LSTM
27 - تست مدل LSTM
28 - پیش‌بینی بارهای خدمات - پیش‌بینی ها

6. جاسازی کلمه

29 - مدل‌های مبتنی بر متن - چالش ها
30 - مقدمه ای برای جاسازی کلمات
31 - تعبیه کلمات از پیش آموزش داده شده
32 - پیش پردازش متن برای RNN
33 - ایجاد ماتریس تعبیه

7. تشخیص هرزنامه با جاسازی کلمه

34 - نمونه تشخیص هرزنامه برای جاسازی ها
35 - آماده سازی اطلاعات هرزنامه برای آموزش
36 - ساخت ماتریس تعبیه
37 - ایجاد مدل طبقه بندی هرزنامه
38 - پیش‌بینی هرزنامه با LSTM و جاسازی کلمه

نتیجه

39 - مراحل بعدی