یادگیری عمیق
یادگیری عمیق
درس "یادگیری عمیق در پایتون"، ارائه‌ای جامع و کاربردی از مفاهیم، الگوریتم‌ها و ابزارهای مورد نیاز برای ورود به دنیای هیجان‌انگیز یادگیری عمیق است. این دوره، با تمرکز بر زبان برنامه‌نویسی پایتون و کتابخانه‌های قدرتمندی مانند TensorFlow و Keras، شما را قدم به قدم از اصول اولیه تا پیاده‌سازی مدل‌های پیشرفته یادگیری عمیق همراهی می‌کند.
ما در این دوره، با مفاهیم اساسی شبکه‌های عصبی آشنا می‌شویم و به تدریج به سراغ مدل‌های پیچیده‌تر مانند شبکه‌های عصبی پیچشی (CNN) و شبکه‌های عصبی بازگشتی (RNN) می‌رویم. به علاوه، با استفاده از مثال‌های عملی، دانش‌آموزان مهارت‌های لازم برای پیاده‌سازی، آموزش و ارزیابی مدل‌های یادگیری عمیق را در پروژه‌های واقعی کسب می‌کنند.
کاربردهای یادگیری عمیق در حوزه‌های مختلفی از جمله تشخیص تصویر، پردازش زبان طبیعی، توصیه‌گر سیستم‌ها و خودروهای خودران مورد استفاده قرار می‌گیرد. این دوره به شما کمک می‌کند تا با کاربردهای عملی این فناوری در صنایع مختلف آشنا شوید و پروژه‌هایی را توسعه دهید که می‌توانند تأثیری واقعی در دنیای واقعی داشته باشند.
با تکیه بر رویکرد "یادگیری از طریق انجام دادن"، این دوره برای کسانی که می‌خواهند درک عمیقی از یادگیری عمیق و کاربردهای آن به دست آورند، ایده‌آل است. اعم از دانشجویان، محققان، و حتی کارشناسان صنعت که به دنبال بهبود مهارت‌های خود در این حوزه پویا و در حال رشد هستند، این دوره می‌تواند نقطه آغازین مسیر حرفه‌ای شما در عرصه یادگیری عمیق باشد.
سر فصل ها:
-
1 مقدمات شبکه‌های عصبی-معرفی شبکه‌های عصبی
- 1-1- ساختار نورون و شبکه‌های عصبی
- 2-1- معماری‌های پایه: شبکه‌های پیش‌رو
-
2 مقدمات شبکه‌های عصبی-توابع فعال‌سازی
- 1-2- Sigmoid، ReLU، Tanh و سایر توابع
-
3 مقدمات شبکه‌های عصبی-پس‌انتشار خطا
- 1-3- مفهوم گرادیان و زنجیره‌ای از مشتقات
- 2-3- به‌روزرسانی وزن‌ها
-
4 مقدمات شبکه‌های عصبی-بهینه‌سازی و تابع هزینه
- 1-4- توابع هزینه: Cross-Entropy، Mean Squared Error
- 2-4- الگوریتم‌های بهینه‌سازی: SGD، Adam
-
5 شبکه‌های عصبی پیچشی (CNN)-معماری‌های CNN
- 1-5- لایه‌های پیچشی، Pooling
- 2-5- معرفی معماری‌های معروف: AlexNet، VGG، ResNet
-
6 شبکه‌های عصبی پیچشی (CNN)-کاربردها در تشخیص تصویر
- 1-6- دسته‌بندی تصاویر
- 2-6- تشخیص اشیاء و سگمنتیشن
-
7 شبکه‌های عصبی پیچشی (CNN)-تکنیک‌های پیشرفته
- 1-7- Transfer Learning و Fine-tuning
- 2-7- Data Augmentation
-
8 شبکه‌های عصبی بازگشتی (RNN)-معرفی RNN و معماری‌ها
- 1-8- مفهوم حافظه در RNN
- 2-8- مشکلات RNN: از دست دادن گرادیان
-
9 شبکه‌های عصبی بازگشتی (RNN)-LSTM و GRU
- 1-9- ساختار و مزایای LSTM و GRU
- 2-9- کاربردها در پردازش زمانی و دنباله‌ای
-
10 شبکه‌های عصبی بازگشتی (RNN)-کاربردها در پردازش زبان طبیعی (NLP)
- 1-10- مدل‌سازی زبان
- 2-10- ترجمه ماشینی
-
11 شبکه‌های عصبی مولد مقابله‌ای (GAN)-معرفی GAN
- 1-11- ساختار شبکه‌های Generator و Discriminator
- 2-11- مفهوم بازی مینیماکس
-
12 شبکه‌های عصبی مولد مقابله‌ای (GAN)-معماری‌های GAN
- 1-12- DCGAN، Conditional GAN
- 2-12- تکنیک‌های پایدارسازی آموزش
-
13 شبکه‌های عصبی مولد مقابله‌ای (GAN)-کاربردها
- 1-13- تولید تصاویر جدید
- 2-13- تبدیل سبک تصویر (Style Transfer)
My name is Seyed Ali Hosseini and I am a PhD candidate in software engineering at the Islamic Azad University of Qazvin (Barajin) branch. I also have five years of teaching experience at the Islamic Azad University of Sanandaj branch and have worked on data science projects in several different companies.
مهارتها
Data science
Mobile computing
Network+
CCNA
