دوره آموزشی شبکه‌های بازگشتی عمیق و سری‌های زمانی با تنسرفلو 2

سرفصل های دوره

1. مقدمات شبکه های بازگشتی

2. یک سلول (واحد) بازگشتی ساده و شبکه بازگشتی

3. پیاده‌سازی تخمین تابع با شبکه‌های بازگشتی ساده

4. طول دنباله متغیر در شبکه‌های بازگشتی (۱)

5. طول دنباله متغیر در شبکه‌های بازگشتی (۲)

6. محو شدگی و انفجار گرادیان‌ها در شبکه‌های بازگشتی

7. شبکه‌های GRU

8. شبکه‌های LSTM

9. دیاگرام شبکه‎ های LSTM

10. مثال‌هایی از داده‌های توالی و ترتیبی

11. شبکه‌های بازگشتی عمیق

12. تخمین قیمت ارزهای دیجیتال – پیش‌پردازش داده

13. تخمین قیمت ارزهای دیجیتال – بالانس کردن داده‌ها و آموزش

14. شبکه‌های بازگشتی برای طبقه‌بندی ویدیو – مثال تشخیص جهت حرکت توپ

15. طبقه‌بندی ویدیو – بازشناسی عملکرد در ویدیو

16. درک بردار کلمات و بازنمایی آن‌ها

17. ویژگی‌های بازنمایی کلمات و لایه Embedding

18. مثال عملی آنالوژی با بردار کلمات

19. طبقه‌بندی متن

20. پیاده‌سازی طبقه‌بندی متن با روش Bag-of-Embeddings

21. طبقه‌بندی متن با شبکه بازگشتی

22. مدل زبانی – تولید اشعاری شبیه به شاهنامه

23. جمع‌بندی و معرفی شبکه‌های بازگشتی دوطرفه

24. مدل‌های توالی به توالی

25. مثال عملی Seq2Seq برای فهم رشته عملیات ریاضی

26. مقدمات ترجمه ماشینی

27. الگوریتم جست و جوی پرتو

28. مکانیزم توجه در ترجمه ماشینی

29. پیاده‌سازی ترجمه ماشینی در کراس برای تبدیل تاریخ

30. روش کمک معلم

31. پیاده‌سازی ترجمه ماشینی با مکانیزم توجه و Teacher Forcing در تنسرفلو ۲

32. شرح تصاویر با توجه بصری

توجه: دانستن پیش نیاز های دوره برای درک این مبحث ضروری است.

پیش‌نیاز این دوره شرکت در دوره آموزشی مقدماتی شبکه‌ های عصبی عمیق در Tensorflow/Keras است !

یا داشتن مهارت های زیر:

• آشنایی با پایتون
• آشنایی با فریم ورک تنسرفلو / کراس
• مسلط به تعریف شبکه های تمام متصل و کانولوشنالی
• آشنا به تعرف شبکه sequential API و Functional API در فریم ورک کراس

کدها های دوره در صفحه ی گیت‌هاب