لگو وب سایت هوشمندان
جستجو

اطلاعات ویدیوی آموزشی

آموزش های مرتبط

آموزش طراحی شبکه های عصبی مصنوعی عمیق (DNN) و پیاده سازی یادگیری عمیق

دوره طراحی شبکه های عصبی مصنوعی عمیق (DNN)  و پیاده سازی یادگیری عمیق

آموزش ویدیویی طراحی شبکه های عصبی و پیاده سازی یادگیری عمیق اندرو انگ (Andrew Ng) دوره ای کاملا حرفه ای و متناسب با نیاز شماست که به زبان فارسی توسط استاد مهندس احسان احمدی تهیه و ارائه شده است. در این دوره کلیه مفاهیم با زبانی ساده و روان عنوان و پروژه ها و مثال های کاربردی به همراه تمرینات دوره ای پوشش داده شده است. در ادامه توضیحات جامع تری در خصوص آموزش کاربردی یادگیری عمیق بیان خواهیم کرد.                                         هسته اصلی هوش مصنوعی یادگیری عمیق است که توانایی هوشمندسازی شبکه های عصبی را دارد. حال سوال هایی درباره یادگیری عمیق و کاربرد یادگیری عمیق در هوش مصنوعی پیش می آید. به طور مثال، چگونه می توانیم یک شبکه عصبی مصنوعی عمیق را بسازیم؟ و یا چگونه با قرار دادن تعدادی ماتریس از اعداد، چیزی جادویی بسازیم که بتواند قدرت تشخیص داشته باشد؟ تصور کنید با قرار دادن چندین عدد کنار یکدیگر، می توانید کاری کنید که برنامه پیاده سازی شده توسط شما بتواند محتوای عکسی را تشخیص دهد و یا یک متن را پردازش کند و موضوع آن را بفهمد و یا حتی بتواند به مخاطبان سایت هایی را پیشنهاد دهد که مرتبط با سلیقه آن ها است! دیپ لرنینگ کاربردهای زیادی دیگر را نیز می تواند پیاده سازی کند و لازم به ذکر است که نقطه شروع برای درک ساز و کار یادگیری عمیق، درک شبکه های عصبی مصنوعی عمیق و پروسه یادگیری عمیق هست. این مطالب ذکر شد تا به شما این نکته مهم را یادآوری کند که با آموزش دانلودی ویدیویی یادگیری عمیق اندرو ان جی در وبسایت هوشمندان که یک آموزش با کیفیت و با قیمتی مناسب است می توانید در این مبحث حرفی برای گفتن داشته باشید. 

پس در کورس اول از این دوره صفر تا صدیادگیری عمیق، به معنی کلمه از نقطه صفر شروع می کنیم تا با مبانی یادگیری عمیق آشنا شوید و این مراحل را با کمک هم طی می کنیم:

  • درک مفهوم یادگیری عمیق
  • پیاده سازی  Logistic regression
  • پیاده سازی یک شبکه عصبی مصنوعی با یک لایه پنهان (Hidden)
  • پیاده سازی یک شبکه عصبی مصنوعی عمیق (DNN) با امکان تعیین تعداد لایه های پنهان و تعداد نورون های هر لایه به طور دلخواه
  • تعلیم دادن به این شبکه ها و هوشمند کردن آن ها (پیاده سازی یادگیری عمیق)

چرا با این کورس یادگیری عمیق رو یاد بگیریم؟ 

کورس اول یادگیری عمیق ، بخش اول از یک ساختمان بزرگتر یعنی دوره یادگیری عمیق یا deep learning تدریس شده توسط اندرو انگ هست. در این دوره شما طراحی شبکه های عصبی مصنوعی را به معنی کلمه از جمع و ضرب شروع می کنید و در پایان دوره با اصول پایه ای یادگیری عمیق آشنا می شوید و به جایی می رسید که می توانید به راحتی یک شبکه عصبی مصنوعی عمیق رو با تعداد لایه ها و تعداد نورون های دلخواه در هر لایه پیاده سازی کنید، و دیتا ست مورد نظر را به آن بدهید تا فرآیندی که مورد نظرتان است، یاد بگیرد که این مرحله به معنی یادگیری عمیق یا همان دیپ لرنینگ است. سیلاب آموزشی کاملاً منطبق بر دوره آموزشی یادگیری عمیق اندرو انگ است و صد در صد مباحث آن دوره را پوشش می دهد، یعنی مباحث دوره ای را پوشش می دهد که به اسم های مختلفی از جمله انجیل هوش مصنوعی و یادگیری عمیق تا بهترین دوره یادگیری عمیق در دنیا معروف است. حالا مطالب آن دوره بدون کم و کاست به اصول پایه ای یادگیری عمیق پرداخته و حتی با مطالبی بیشتر، از جمله با حل تمرین ها به زبان شیرین فارسی در اختیار شما است .این آموزش پروژه محور 12 ساعته به مفاهیم ریز و درشت از مبانی یادگیری عمیق پرداخته و به شما این اطمینان را می دهم که بعد از گذراندن این آموزش ویدیویی deep learning می توانید، دانش خود رادر زمینه طراحی و پیاده سازی شبکه های عصبی مصنوعی عمیق، و یادگیری عمیق به معنی کلمه  گسترش دهید و عمیقا آن را درک کنید .

چشم انداز دوره آموزشی پیاده سازی Deep Learning چیست؟

پس از تسلط به مباحث این کورس می توانید مطالب کورس های بعدی این دوره 5 بخشی را نیز دنبال کنید که در آن پس از پایان دوره می توانید به راحتی، شبکه های عصبی مصنوعی عمیق DNN را در بهینه ترین حالت ممکن، طراحی و پیاده سازی کنید و در نهایت با کتابخانه های keras  و tensorflow  هم می توانید آن ها را پیاده سازی کنید و حتی می توانید فراتر رفته و شبکه های CNN و RNN رو هم پیاده سازی کنید. کورس حرفه ای طراحی شبکه های عصبی مصنوعی عمیق و پیاده سازی یادگیری عمیق، مرحله اول از مسیری 5 مرحله ای هست که یقینا شما را به متخصص یادگیری عمیق تبدیل می کند و پس از اتمام این مراحل می توانید با اعتماد به نفس این عنوان رو در رزومه شغلی خود درج کنید تا با استفاده از رزومه کاری قوی، به راحتی صاحب یک شغل پولساز شوید. امروزه کاربرد یادگیری عمیق در صنایع بزرگ و کوچک، امور نظامی؛ انفورماتیک، پردازش زبان ها و …. آن قدر زیاد است که با کسب مهارت در دیپ لرنینگ می توانید به راحتی شاغل شوید.  

برای یادگیری Deep Learning چه پیش نیازی لازم داریم؟ 

در درجه اول لازم است پایتون مقدماتی را یاد بگیرید البته تاکید می کنم فقط در حد مقدمات! پس لازم نیست زمانی طولانی را صرف یادگیری این زبان برنامه نویسی بکنید. (اما اگر علاقمندید که زبان برنامه نویسی پایتون را به صورت حرفه ای یاد بگیرید دوره حرفه ای پایتون را به شما توصیه می کنم) و در کنار پایتون مقدماتی مباحثی مثل ماتریس ها و مشتق را یاد بگیرید، لازم به ذکر است که شما قرار نیست متخصص ریاضیات باشید، مطمئن باشید دانشی محدود در این زمینه ها کافی است که بتوانید پکیج مقدماتی تا پیشرفته یادگیری عمیق را شروع کنید و در صورت نیاز با خواندن چند مطلب اینترنتی در این خصوص پیش نیازهای ریاضیات را هم برطرف کنید. هر چند در این دوره کمی به مبحث مشتق هم در حد نیاز پرداخته می شود. بنابراین می توانید، دوره پروژه محور پیاده سازی دیپ لرنینگ با زبانی ساده و روان را در وبسایت هوشمندان با خیالی راحت  و هزینه ای مناسب بگذرانید. 


هفته اول

 

  1. توضیحاتی در خصوص دوره تخصصی یادگیری عمیق Deep Learning Specialization
  2. شبکه عصبی مصنوعی (neural network) چیست؟
  3. یادگیری نظارت شده در شبکه های عصبی مصنوعی
  4. علت رشد یادگیری عمیق و فراگیر شدن این علم چیست
  5. توضیحات تکمیلی در خصوص این دوره

 

هفته دوم (پیاده سازی کوچکترین شبکه عصبی مصنوعی با یک واحد محاسباتی، پیاده سازی Logistic regression)

 

  1. شرح دسته بندی باینری Binary Classification
  2. صحبت در خصوص Logistic Regression
  3. تابع هزینه (Cost function)  درLogistic Regression
  4. شرح الگوریتم Gradient Descent
  5. مشتق گیری
  6. مثالهای بیشتری از مشتق گیری
  7. گراف محاسباتی در شبکه های عصبی مصنوعی و پروسه بهینه کردن پارامترهای شبکه عصبی مصنوعی
  8. مشتق گیری بر روی المان های گراف محاسباتی
  9. پیاده سازی الگوریتم Gradient descent  بر روی Logistic regression
  10. پیاده سازی الگوریتم Gradient descent  بر روی m  عدد نمونه ورودی
  11. Vectorization
  12. مثالهای بیشتر از Vectorization
  13. پیاده سازی Vectorization بر روی logistic regression
  14. شرح ویژگی Broadcasting در پایتون

 

هفته سوم (پیاده سازی یک شبکه عصبی مصنوعی با یک لایه پنهان)

 

  1. دید کلی از شبکه های عصبی مصنوعی و نحوه نمایش آنها
  2. محاسبه خروجی شبکه های عصبی مصنوعی
  3. پیاده سازی Vectorization  بر روی m  عدد مثال ورودی
  4. شرح کامل پیاده سازی Vectorization
  5. توابع فعالساز Activation Functions
  6. چرا از توابع فعالساز غیرخطی استفاده میکنیم
  7. محاسبات مشتق توابع فعالساز
  8. پیاده سازی الگوریتم Gradient descent  برای شبکه های عصبی مصنوعی
  9. شرح پروسه Back propagation
  10. چرا پارامترها باید به صورت تصادفی مقدار دهی شوند

 

هفته چهارم (پیاده سازی یک شبکه عصبی مصنوعی عمیق با تعیین تعداد لایه های پنهان و تعداد نورنهای هر لایه به دلخواه)

 

  1. شبکه های عصبی مصنوعی با بیش از یک لایه پنهان
  2. شبکه های عصبی مصنوعی عمیق (Deep) در مقابل شبکه های عصبی سطحی (Shallow)
  3. پیاده سازی Forward Propagation در شبکه های عصبی مصنوعی عمیق
  4. پیشگیری از خطاهای محاسباتی در ماتریس های شبکه های عصبی مصنوعی
  5. چرا و در کجا باید از شبکه های عمیق استفاده کنیم؟
  6. شرح بلوک های سازنده یک شبکه  عصبی مصنوعی عمیق
  7. شرح کامل  Forward propagation,  Backward Propagation
  8. مقایسه پارامترها با هایپرپارامترها

 

تمرینات دوره شامل:

 

  1. کوئیز هفته اول
  2. کوئیز هفته دوم
  3. کوئیز هفته سوم
  4. کوئیز هفته چهارم
  5. حل تمامی تمرینات برنامه نویسی دوره
  6. پیاده سازی کامل الگوریتم logistic regression به عنوان کوچک ترین شبکه عصبی مصنوعی و تشخیص تصویر گربه با آن
  7. انجام classification  بر روی چند دیتاست مختلف و پیاده سازی یک شبکه عصبی مصنوعی با یک لایه پنهان (Hidden layer)
  8. پیاده سازی گام به گام یک شبکه عصبی مصنوعی عمیق کامل، با تعداد لایه های دلخواه و تعداد نورونهای دلخواه در هر لایه
  9. انجام دسته بندی تصاویر (تشخیص گربه) و دسته بندی دیتاست های دیگر با شبکه عصبی مصنوعی ساخته شده در آموزش