برچسب Janani Ravi

LinkedIn – Full-Stack Deep Learning with Python 2024-2

دوره Full-Stack Deep Learning with Python. این دوره جامع، مفاهیم یادگیری عمیق فول‌استک با پایتون را با تأکید بر MLOps و MLflow به صورت عملی آموزش می‌دهد. در این دوره که توسط جانانی راوی، معمار گواهی‌شده ابر گوگل و مهندس داده تدریس می‌شود، ابتدا مروری بر مفاهیم پایه یادگیری عمیق فول‌استک، MLOps و MLflow ارائه می‌شود. سپس شرکت‌کنندگان محیط کار خود را در Google Colab راه‌اندازی کرده و با MLflow کار می‌کنند. در ادامه، روش‌های بارگذاری و بررسی مجموعه داده‌ها، ثبت معیارها، پارامترها و آرتیفکت‌ها آموزش داده می‌شود. بخش‌های اصلی دوره شامل آموزش مدل، ارزیابی عملکرد، تنظیم هایپرپارامترها، استقرار مدل و انجام پیش‌بینی‌هاست. در طول دوره، شرکت‌کنندگان با مجموعه داده EMNIST کار کرده، مدل‌های DNN و CNN را برای طبقه‌بندی تصاویر پیکربندی و آموزش می‌دهند. تکنیک‌های بهینه‌سازی هایپرپارامترها با Hyperopt و MLflow، شناسایی بهترین مدل و ثبت آن در رجیستری MLflow نیز پوشش داده می‌شود. در نهایت، روش‌های استقرار مدل روی ماشین محلی و سرویس‌دهی به آن آموزش داده می‌شود. این دوره برای افرادی مناسب است که می‌خواهند درک عمیق‌تری از یادگیری عمیق فول‌استک با پایتون و چرخه کامل توسعه مدل‌های یادگیری ماشین به دست آورند.

LinkedIn – Natural Language Generation with Python 2024-1

دوره Natural Language Generation with Python. این دوره به آموزش مفاهیم کلیدی و مهارت‌های ضروری در زمینه پردازش زبان طبیعی (NLP) با استفاده از پایتون می‌پردازد. با توجه به رشد روزافزون اهمیت این حوزه در هوش مصنوعی، این دوره توسط Janani Ravi طراحی شده تا توسعه‌دهندگان را با ابزارها و تکنیک‌های مدرن NLP آشنا کند. در ابتدا، مبانی تولید متن با کتابخانه‌هایی مانند SimpleNLG و سپس روش‌های پیشرفته مبتنی بر یادگیری عمیق، از جمله مدل‌های transformer و کتابخانه Hugging Face Transformers، آموزش داده می‌شود. شرکت‌کنندگان یاد می‌گیرند چگونه مدل‌ها را برای تولید متن تنظیم کنند و از استراتژی‌های مختلف decoding مانند Greedy Search، Beam Search و sampling استفاده نمایند. همچنین، مباحثی مانند tokenization، محاسبه معیارهای ارزیابی مانند ROUGE، و کار با داده‌های واقعی در محیط Google Colab پوشش داده می‌شود. این دوره برای کسانی که می‌خواهند مهارت‌های خود را در توسعه نرم‌افزارهای هوشمند تقویت کنند، مناسب است و شامل پروژه‌های عملی مانند تحلیل مالی و تولید خودکار متن می‌باشد. در پایان، فراگیران قادر خواهند بود مدل‌های زبانی مانند GPT-2 را پیاده‌سازی و بهینه‌سازی کنند.

LinkedIn – Deep Learning with Python and Keras: Build a Model For Sentiment Analysis 2024-2

دوره Deep Learning with Python and Keras: Build a Model For Sentiment Analysis. این دوره با ارائه یک مثال کاربردی و واقعی، شما را با نحوه پیاده‌سازی تحلیل احساسات در پروژه‌های خود آشنا می‌کند. جانانی راوی، مهندس داده و معمار ابر گوگل، در این دوره شما را گام‌به‌گام در ساخت و آموزش یک شبکه عصبی بازگشتی (RNN) برای تحلیل احساسات همراهی می‌کند. در این دوره یاد خواهید گرفت که چگونه متن را برای تحلیل احساسات آماده کنید، با چالش‌های احتمالی آشنا شوید و راهکارهای مختلف را بررسی نمایید. ابتدا محیط Google Colab را تنظیم کرده و ماژول‌های پایتون و داده‌های مورد نیاز را فراخوانی می‌کنید. سپس با تحلیل طول جملات، پاکسازی و پیش‌پردازش متن و همچنین نمایش داده‌ها با استفاده از ابر کلمات آشنا می‌شوید. در ادامه به بررسی شبکه‌های عصبی پیش‌خور ساده پرداخته و مراحل پیکربندی، آموزش و ارزیابی یک شبکه عصبی متراکم (DNN) را طی می‌کنید. همچنین روش‌های آموزش شبکه‌های عصبی بازگشتی (RNN) و حافظه‌های بلندمدت کوتاه (LSTM) را به صورت عملی فرا خواهید گرفت. این دوره به شما کمک می‌کند تا با درک عمیق‌تری از تحلیل احساسات و یادگیری عمیق، مدل‌های کارآمدی برای پردازش داده‌های متنی بسازید.