لگو وب سایت هوشمندان
جستجو

اطلاعات ویدیوی آموزشی

آموزش های مرتبط

20 درصد تخفیف

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 عنوان خواهیم کرد.

 هسته اصلی هوش مصنوعی یادگیری عمیق هست، و یادگیری عمیق پروسه ای هست که شبکه های عصبی عمیق رو هوشمند میکنه. چطور میتونیم یه شبکه عصبی مصنوعی عمیق رو بسازیم؟ چطور میتونیم با قرار دادن تعدادی ماتریس از اعداد، چیزی جادویی بسازیم که بتونه قدرت تشخیص داشته باشه؟ فکر کنین با قرار دادن چندین تا عدد کنار هم، میتونین کاری کنین که برنامه پیاده سازی شده توسط شما بتونه محتوای یه عکس رو تشخیص بده، یه متن رو پردازش کنه و موضوعش رو متوجه بشه، یا بتونه به مخاطبان یه سایت پیشنهادهایی مرتبط با سلایقشون بده، و کاربردهای خیلی زیاد دیگه رو در عمل پیاده سازی کنه. نقطه شروع درک ساز و کار این علم، درک شبکه های عصبی مصنوعی عمیق و پروسه یادگیری عمیق هست.

پس در کورس اول از این دوره آموزشی به معنی کلمه از نقطه صفر شروع میکنیم و این مراحل رو با کمک هم طی میکنیم:

  • 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 نورونهای هر لایه به طور دلخواه
  • تعلیم دادن به این شبکه ها و هوشمند کردن اونها (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 رو به معنی کلمه از جمع و ضرب شروع میکنین و در پایان دوره به جایی میرسین که میتونین به راحتی یک شبکه عصبی مصنوعی عمیق رو با تعداد لایه ها و تعداد نورونهای دلخواه در هر لایه پیاده سازی کنین، و دیتا ست مورد نظرتون رو بهش بدین تا فرآیندی که میخواین رو یاد بگیره که این مرحله به معنی یادگیری عمیق هست. سیلاب آموزشی کاملاً منطبق بر دوره آموزشی یادگیری عمیق اندرو انگ هست و صد در صد مباحث اون دوره رو پوشش میده، یعنی مباحث دوره ای رو پوشش میده که اسمهای متفاوتی بهش اطلاق میشه، از انجیل هوش مصنوعی و یادگیری عمیق گرفته تا بهترین دوره یادگیری عمیق در دنیا. حالا مطالب اون دوره بدون کم و کاست و حتی با مطالبی بیشتر، از جمله با حل تمرینها به زبان شیرین فارسی در اختیار شماست که دانشتون رو در زمینه طراحی و پیاده سازی شبکه های عصبی مصنوعی عمیق، و یادگیری عمیق به معنی کلمه عمیق کنین .

 

چشم انداز دوره آموزشی پیاده سازی Deep Learning چیه؟

پس از تسلط به مباحث این کورس میتونین مطالب کورس های بعدی این دوره 5 بخشی رو دنبال کنین که در اونجا شبکه های عصبی مصنوعی عمیق DNN رو در بهینه ترین حالت طراحی و پیاده سازی می کنین و در نهایت با کتابخانه های keras  و tensorflow  هم میتونین اونها رو پیاده سازی کنین، حتی فراتر برین و بتونین شبکه های CNN و RNN رو هم پیاده سازی کنین. کورس طراحی شبکه های عصبی مصنوعی عمیق و پیاده سازی یادگیری عمیق، مرحله اول از مسیری 5 مرحله ای هست که شما رو به متخصص یادگیری عمیق تبدیل میکنه. و پس از اتمام این مراحل میتونین با اعتماد به نفس این عنوان رو در رزومه شغلیتون بیارین. 

 

چه پیش نیازی برای یادگیری Deep Learning لازم دارم؟

در درجه اول لازمه پایتون مقدماتی رو بلد باشین، فقط در حد مقدمات، پس لازم نیست زمانی طولانی رو صرف یادگیری پایتون کنین (اما اگر علاقمندید که زبان برنامه نویسی پایتون را به صورت حرفه ای یاد بگیرید دوره حرفه ای پایتون را توصیه میکنم)، و در کنارش مباحثی مثل ماتریس ها و مشتق رو بلد  باشین،  البته شما قرار نیست متخصص ریاضیات باشین، دانشی محدود در این زمینه ها کافیه که بتونین دوره رو شروع کنین و در صورت نیاز با خوندن چند مطلب اینترنتی در این خصوص پیش نیازهای ریاضیات تون رو هم برطرف کنین. هر چند در این دوره کمی به مبحث مشتق هم در حد نیاز دوره، پرداخته میشه.

 


زمان باقیمانده تخفیف ویژه
450000تومان 360000 تومان
همین حالا خرید کنید

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