ANN & Deep Learning #01 Math and Algebra for Machine Learning مراجعة الرياضيات والجبر لتعلم الآلة

Share this video:    • ANN & Deep Learning #01 Math and Algebra f...  

Twitter:   / h_a_hashim  

Linkedin:   / h-a-hashim  

Facebook:   / hashimedutech  

محاضرات مقدمة عن التعلم العميق او التعلم بعمق والذكاء الاصطناعي مع الشبكات العصبية الاصطناعية بالعربي هاشم عبدالله هاشم
---------------------------------------------------------------------------
هذا المحتوى يقدم التعلم العميق او التعلم بعمق والذكاء الاصطناعي مع الشبكات العصبية الاصطناعية
بما أن لغة التفاعل و البرمجة دائما بالأنجليزية لذلك اللغة الأنجليزية هى لغة عرض المحتوى الا ان لغة الشرح هى اللغة العربية. محتوى كورس التعلم العميق او التعلم بعمق والذكاء الاصطناعي مع الشبكات العصبية الاصطناعية هى
1. مراجعة الرياضيات والجبر لتعلم الآلة
2 مقدمة في تعلم الآلة
3 شبكات عصبية اصطناعية (ANNs)
4 Optimizers: GDA، SGDA، AdaGrad، RMSProp، Adam
5 تدريب طبقة واحدة وطبقتين NN مع GDA
6 ترميز GDA ، SGDA ، AdaGrad ، RMSProp ، Adam
7 Hyperparameters: Epoches، Batch، and Iterations
8 مصنف الصور مع MLP-NN والتنفيذ باستخدام بايثون
9 تحديات تدريب ANNs: التطبيع ، التنظيم ، التقليل ، التجهيز الزائد ، زيادة مجموعة البيانات
10 DL باستخدام CNN: Visual Cortex و CNN Architecture ولماذا CNN
11 DL باستخدام CNN: Convolution و Feature Map \ Extraction و Pooling
12 DL باستخدام CNN: تسطيح ، واستخراج الميزات ، والحشو ، والطبقات التلافيفية
13 DL باستخدام CNN: التنفيذ باستخدام بايثون


Artificial Neural Networks and Deep Learning lectures presented by Hashim A Hashim
------------------------------------------------------------------------------
This course presents an Introduction to Artificial Neural Networks and Deep Learning. All the lecture slides are in English, but the lecture itself is given in Arabic. The complete course includes
1. Math and Algebra for Machine Learning
2 Introduction to Machine Learning
3 Artificial Neural Networks (ANNs)
4 Optimizers: GDA, SGDA, AdaGrad, RMSProp, Adam
5 Training One-layer and Two-layer NN with GDA
6 Coding the GDA, SGDA, AdaGrad, RMSProp, Adam
7 Hyperparameters: Epoches, Batches, and Iterations
8 Image Classifier with MLP-NN & Implementation with Python
9 ANNs Training Challenges: Normalization, Regularization, Underfitting, Overfitting, Dataset Augmentation
10 DL using CNN: Visual Cortex, CNN Architecture, and Why CNN
11 DL using CNN: Convolution, Feature Map \ Extraction, and Pooling
12 DL using CNN: Flatten, Feature Extraction, Padding \ Convolutional Layers
13 DL using CNN: Implementation with Python