פיתוח של רשתות נוירונים בפייתון בעזרת machine learning
4.2 (7 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
18 students enrolled

פיתוח של רשתות נוירונים בפייתון בעזרת machine learning

קורס ללמידה עמוקה ופיתוח של רשתות נוירונים בפייתון בעזרת הספריות tensorflow & keras- machine learning
4.2 (7 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
18 students enrolled
Created by Itzhak Gerber
Last updated 5/2020
Hebrew
Current price: $23.99 Original price: $34.99 Discount: 31% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 6.5 hours on-demand video
  • 3 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • מטרת הקורס היא לבנות מודלים של רשתות נוירונים בעזרת הספריות
  • Tensorflow + Keras
  • בקורס נראה מהי רשת נוירונים וכיצד היא בנויה.
  • שני הפרקים הראשונים הם קצת יותר מאתגרים משאר הקורס בהם נלמד את הרקע המתמטי העומד מאחורי רשתות נורונים, על מנת לקבל הבנה עמוקה של נושא זה.
  • במסגרת פרקים אלו נראה כיצד לבצע פעולות נדרשות במטריצות וכן נלמד את האלגוריתמים
  • SGD- Stochastric Gradient Descent and Backpropagation
  • בפרקים אלו ניצור רשת נוירונים בעזרת פיתון בלבד ללא עזרה של ספריות על מנת להפנים את העיקרון של עבודת רשתות נוירונים
  • לאחר פרקים אלו נלמד כיצד לעבוד עם הספריות ובעזרתם ליצור רשת שתזהה אותיות כתב יד.
  • נושאים נוספים שבהם נעסוק יהיו
  • overfitting & hyperparameters
  • Regularization
  • Dropout
  • Cross entropy loss function & softmax
  • Grid search hyperparameters
  • לאחר מכן נראה כיצד ליצור רשתות מבוססות קונבולוצי. נלמד את כל השכבות המרכיבות אותה ונראה כיצד לזהות קטגוריות של תמונות צבעוניות
  • נושא נוסף שנראה הוא כיצד ליצור רשת לחישוב רגרסיה שבעזרת נבצע הערכת שווי של בתים על פי פרמטרים של גודל, שכונה וכו.
  • נלמד כיצד לטפל בקובצי קול ואיך לזהות את סוג המוזיקה של הקובץ, אם הוא קובץ רוק או קלסי לדוגמא.
  • נלמד כיצד לבנות רשתות מורכבות אם דילוגים על שכבות ומספר כניסות שמאחדים בעזרת
  • Functional API
  • לבסוף נראה כיצד להשתמש ברשתות קיימות שכבר מאומנות לצורך ספציפי בעזרת השיטות של
  • Transfer learning + feature extractions
  • במסגרת הקורס נראה דוגמאות פרקטיות רבות שכתובות בפיתון כך שבסיום הקורס יוכלו המשתתפים להגיע לרמה שבה יוכלו לפתח בעצמם רשתות לצורך פתרון בעיות בתחום
Course content
Expand all 36 lectures 06:36:28
+ מהי רשת נוירונים וכיצד היא פועלת
5 lectures 58:26

בהרצאה זו נלמד כיצד משמש הנוירון כצומת לקבלת החלטות ונלמד את המודל המתאר זאת

Preview 05:49

בהרצאה זו נלמד מהי פונקציית אקטיבציה ומדוע היא נדרשת.

Preview 08:09

בהרצאה זו נראה כיצד לבצע פעולות במטריצות וכיצד לחשב בעזרתם את יציאות הרשת

חישובי הרשת בעזרת מטריצות
18:27

בהרצאה זו נכיר את בסיס הנתונים mnist.

כמו כן נראה כיצד ניתן להגדיר את טיב דיוק הרשת מבחינה מתמטית.

mnist database and quadratic loss function
11:17

בהרצאה זו נלמד את האלגוריתם של Gradient Descent לפתרון בעיות אופטימום שלא ניתן לפתור בצורה אנליטית

Gradient Descent Algorithm
14:44
+ Backpropagation algorithm
7 lectures 01:21:11

הגדרת המרכיבים של רשת לצורך הגדרה פורמלית של נוסחאות האלגוריתם של backpropagation

הגדרת הסמנטיקה של רשת נוירונים
09:51

בהרצאה זו נכיר את הנוסחאות של האלגוריתם לקראת הבנת השימוש שלהם בהרצאות הבאות

הכרת הנוסחאות - backpropagation
07:15

בהרצאה זו נראה את ארבעת הנוסחאות של האלגוריתם וכיצד ניתן להשתמש בו לצורך מציאת אופטימיזציה של רשת נוירונים

ניסוח האלגוריתם והבנת פעולתו
13:47

בהרצאה זו נראה כיצד ניתן ליצור רשת נוירונים בעזרת פיתון ללא שימוש בספריות. המטרה לקבל הבנה עמוקה של האלגוריתם. בהרצאה זו נראה כיצד להכין את הנתונים לצורך השימוש בהם.



כתיבת תוכנית בפיתון שממשת את האלגוריתם ללא עזרת ספריות
15:55

בהרצאה זו נראה כיצד מבצעים חישוב של Feed forward של הרשת

Feed forward
08:09

בהרצאה זו נראה כיצד לאמן את הרשת בעזרת האלגוריתם

אימון הרשת
20:34

הרצאה זו חשובה כיוון שהיא מסכמת את התמונה הגדולה של השימוש באלגוריתמים לאחר שראינו הרבה פרטים מפרכים לצורך המימוש.

סיכום האלגוריתמים - Backpropagation + Gradient Descent
05:40
+ הכרת הספריות - keras + Tensorflow
4 lectures 33:25

בהרצאה זו נראה כיצד להתקין את הספריות Keras + Tensorflow

התקנת - Tensorflow + Keras
07:00

בהרצאה זו נראה את הספריות ושיטות הפעולה האפשריות אתם

הכרת הספריות - keras + Tensorflow
04:03

בהרצאה זו ניצור את אותה רשת נוירנוים כפי שראינו בפרק הקודם רק שהפעם נבצע זאת בעזרת הספריה Keras.

Preview 13:59

בהרצאה זו נחקור את הפרמטרים של המודל שאותו בנינו ונבין כיצד מגיעים לכמות הפרמטרים שצריך ללמד.

הבנת הפרמטרים של מודל הרשת שראינו
08:23
+ Overfitting & hyperparameters
5 lectures 55:04

שמירת הרשת וכן המשקלים בדיסק

שמירת ארכיטקטורת הרשת וכן המשקלים בקובץ
09:52

שימוש ברשת שנשמרה לצורך חיזוי. הרצאה זו מדגימה כיצד להשתמש ברשת במצב של production

טעינת רשת מקובץ ושימוש בה לצורך זיהוי - Predict
09:53

בהרצאה זו נלמד כיצד לפתור את בעית overfitting

overfitting
14:52

בהרצאה זו נלמד פונקצית Loss וכן פונקצית אקטיבציה חדשות, ונבין מהם היתרונות שלהם על פני הפונקציות שכבר היכרנו

הכרת הפונקציות - Cross entropy + Softmax
08:03

בהרצאה זו נלמד כיצד לבצע שיטות ידניות לאופטימיזציה של היפר פרמטרים וכן שיטות אוטומטיות

Grid Search Hyperparameters
12:24
+ רשתות נוירונים מבוססות ארכיטקטורת קונבולוציה
4 lectures 41:17
Vanishing gradient problem
05:42

בהרצאה זו נראה את התיאור והמבנה של השכבות שמרכיבות רשת נוירונים מבוססת קונבולוציה

רשתות מבוססות ארכיטקטורת קונבולוציה
14:02

בהרצאה זו נבנה רשת לסיווג של תמונות צבעוניות מתוך בסיס הנתונים cifar10

מימוש מעשי של רשת קונבולוציה ופתרון בעית cifar10
13:29

בהרצאה זו ננתח את הרשת שבנינו ונשתמש בשיטה של Data augmentation לצורך אופטימיזציה

ניתוח הרשת שבנינו ושימוש בשיטת Data augmentation
08:04
+ בניית רשת נוירונים לפתרון בעיות רגרסיה וכן רשתות לטיפול בקובצי קול
4 lectures 50:58

בהרצאה זו נראה כיצד ליצור מודל שיחשב ערך של בית על פי פרמטרים של גודל מיקום וכו'

פתרון בעית רגרסיה לחישוב שווי של בתים
12:51

הכרת המבנה של קובצי קול וכיצד בנוי תרשים של מל-ספקטוגראם

הבנת המבנה של קובצי קול והכרת תרשים של MelSpectogram
08:04

בהרצאה זו נראה כיצד לנתח קובצי קול בתחום הזמן התדר ויצירת מל-ספקטוגראם

יצירת מל-ספקטוגראם בעזרת ספרית librosa
11:50

בנית רשת לסיווג קובצי קול. במסגרת בנית המודל נכיר קונבולוציה חד ממדית וכן Batch normalization

בנית מודל לסיווג של קובצי קול על פי סוג המוזיקה
18:13
+ Functional API, callbacks & checkpoints
3 lectures 32:56

בהרצאה זו נלמד את השיטה המתקדמת יותר של הספריה Keras כדי ליצור רשתות מורכבות

functional API
18:00

בהרצאה זו נלמד כיצד ליצור נקודות שחזור ברשת כך שאם תהיה קריסה של המחשב נוכל להמשיך מהנקודה שבה הפסקנו

callbacks and checkpoints
09:19

בהרצאה זו נשתמש בנקודת השחזור כדי לטעון רשת לצורך חיזוי

שימוש בנקודות השחזור לצורך המשך אימון או חיזוי
05:37
+ Transfer learning
4 lectures 43:11

בהרצאה זו נוריד נתונים מגוגל תמונות כדי ליצור בסיס נתונים פרטי שלנו

יצירת בסיס נתונים לצורך למידה
11:14

בהרצא זו נלמד כיצד ליצור רשת נוירנוים שמבוססת על רשת קיימת שכבר מאומנת, ולהמשיך ולאמן אותה על נתונים שלנו

בנית רשת נוירונים על בסיס VGG16
08:23
שימוש ברשת לצורך חיזוי
16:19

בהרצאה זו נוציא תכונות של הרשת משכבות ביניים כדי להבין כיצד הרשת יכולה להסתמך על תכונות שנרכשו על נתונים אחרים

feature extraction
07:15
Requirements
  • דרישות הקדם לקורס הם ידע וניסיון בשפת פיתון. אין צורך בידע נוסף.
  • הספריות הנדרשות יילמדו בקורס עצמו
Description

הקורס מלמד הן את הרקע המתמטי של רשתות נוריונים והן את ההיבטים הפרקטים של שימוש בספריות:

במהלך הקורס יוצגו  דוגמאות רבות של מודלים לזיהוי תמונות, זיהוי קובצי קול, הערכת שווי של בתים ושימושים נוספים של רשתות.

יוסברו טכניקות של רשתות מבוססות ארכיטקטורת קונבולוציה, רגרסיה ושיטות רבות לאופטימיזציה.

כמו כן יודגמו שימושים בהביטם שונים של הספריה לשמירה של הרשת, שימוש ברשת קיימת לחיזוי, אופנים שונים של בנית שכבות ועוד.

דרישת הקדם היחידה לקורס היא ידע בתכנות בפייתון.


SGD- Stochastic Gradient Descent

Backpropagation

Overfitting & Hyperparameters

L1 & L2 Regularization

Dropout

Cross entropy loss function & softmax activation function

CNN - Convolutional Neural Network

CNN layers ,Conv2D, pooling, strides, padding, channels

Regression

melspectogram

Data augmentation

Batch Normalization

Functional API

Checkpoints and Callbacks

Transfer learning

Feature extractions





Who this course is for:
  • סטודנטים בעלי ידע בפיתון שמתעניינים בתחם של בינה מלאכותית ורוצים ללמוד בנית מודלים של רשתות נוירונים