ایجاد ارزش مشترک: راهنمای جامع چگونگی اجرا
مقدمه کسبوکار در دنیای امروز، عامل نیرومندی برای پیشرفت اجتماعی و موفقیت اقتصادی است، که عمدتاً بهدلیل خلق ارزش مشترک محقق میشود. تفکر مایکل پورتر و مارک کرامر نقش شرکتها در جامعه را به سمتی هدایت کرده که به شیوههای خلاقانه و جدید برای مقابله با مشکلات اجتماعی بپردازند و در عین حال رقابتپذیری خود […]
یادگیری عمیق با پایتون
کتاب یادگیری عمیق با پایتون – Deep Learning with Python کتاب Deep Learning with Python – Second Edition نوشتهی فرانسوا شوله (François Chollet)، خالق کتابخانهی Keras، یکی از معتبرترین و کاربردیترین منابع برای یادگیری یادگیری عمیق (Deep Learning) با زبان پایتون است.این کتاب که در سال 2021 توسط انتشارات Manning Publications منتشر شده، با رویکردی […]
یادگیری عمیق پیشرفته برای بینایی کامپیوتر
مقدمه فصل قبل اولین آشنایی شما را با یادگیری عمیق برای بینایی کامپیوتر از طریق مدلهای ساده (پشتههایی از لایههای Conv2D و MaxPooling2D) و یک مورد استفاده ساده (طبقهبندی تصویر دودویی) فراهم کرد. اما بینایی کامپیوتر چیزی فراتر از طبقهبندی تصویر است! این فصل عمیقتر به کاربردهای متنوعتر و بهترین روشهای پیشرفته میپردازد. سه وظیفه […]
مقدمهای بر یادگیری عمیق برای بینایی کامپیوتر
مقدمه بینایی کامپیوتر اولین و بزرگترین داستان موفقیت یادگیری عمیق است. هر روز، شما با مدلهای بینایی عمیق در تعامل هستید—از طریق Google Photos، جستجوی تصویر گوگل، YouTube، فیلترهای ویدیویی در برنامههای دوربین، نرمافزارهای OCR و بسیاری موارد دیگر. این مدلها همچنین در قلب تحقیقات پیشرفته در رانندگی خودران، رباتیک، تشخیص پزشکی با کمک هوش […]
کار با کراس: (Keras) یک بررسی عمیق
مقدمه شما تا اینجا با Keras تجربه کسب کردهاید؛ با مدل Sequential، لایههای Dense، و APIهای توکار برای آموزش، ارزیابی، و استنتاج (شامل () compile ، () fit ، () evaluate ، و () predict) آشنا هستید. حتی در فصل 3 یاد گرفتید که چگونه از کلاس Layer ارثبری کنید تا لایههای سفارشی بسازید و […]
جریان کار جهانی یادگیری ماشین
مقدمه مثالهای قبلی ما فرض بر این داشتند که از قبل یک مجموعه داده برچسبگذاری شده در اختیار داریم و میتوانیم بلافاصله آموزش مدل را آغاز کنیم. در دنیای واقعی، اغلب اینطور نیست. شما از یک مجموعه داده شروع نمیکنید، بلکه از یک مسئله شروع میکنید. تصور کنید که شرکت مشاوره یادگیری ماشین خود را […]
مبانی یادگیری ماشین
مقدمه پس از سه مثال عملی در فصل ۴، شما باید با چگونگی رویکرد به مسائل طبقهبندی و رگرسیون با استفاده از شبکههای عصبی آشنا شده باشید و با مشکل اصلی یادگیری ماشین: بیشبرازش (overfitting)، مواجه شدهاید. این فصل برخی از شهود جدید شما در مورد یادگیری ماشین را به یک چارچوب مفهومی مستحکم رسمی […]
آغاز کار با شبکههای عصبی: طبقهبندی و رگرسیون
مقدمه این فصل برای شروع استفاده شما از شبکههای عصبی برای حل مسائل واقعی طراحی شده است. شما دانش کسبشده از فصلهای ۲ و ۳ را تثبیت خواهید کرد و آنچه را که آموختهاید در سه کار جدید که سه مورد استفاده رایج شبکههای عصبی را پوشش میدهند، به کار خواهید گرفت—طبقهبندی دودویی، طبقهبندی چندکلاسه، […]
مقدمهای بر کراس (Keras) و تنسورفلو(Tensor Flow)
مقدمه این فصل قصد دارد هر آنچه برای شروع یادگیری عمیق در عمل نیاز دارید را به شما بدهد. من یک ارائه سریع از Keras (https://keras.io) و TensorFlow (https://tensorflow.org)، ابزارهای یادگیری عمیق مبتنی بر پایتون که در سراسر کتاب از آنها استفاده خواهیم کرد، خواهم داشت. خواهید فهمید که چگونه یک فضای کاری یادگیری عمیق […]
بخشهای سازنده ریاضی شبکههای عصبی
مقدمه برای درک یادگیری عمیق، آشنایی با بسیاری از مفاهیم ریاضی ساده ضروری است: تنسورها، عملیات تنسور، مشتقگیری، گرادیان کاهشی و غیره. هدف ما در این فصل، ساختن شهود شما در مورد این مفاهیم بدون ورود بیش از حد به جزئیات فنی است. به طور خاص، ما از نمادهای ریاضی دوری خواهیم کرد، چرا که […]