- مدرس دوره : امیرحسین ساوه دربندسری ( رزومه )
- تعداد ویدیوها : 51 ویدیو
- مدت زمان دوره : 12:5:00
- سطح دوره : پیشرفته
- وضعیت دوره : به اتمام رسیده
- تاریخ آخرین بروزرسانی : 1402/08/17
آموزش جامع مدل سازی پیشرفته یادگیری عمیق (deep learning) با پایتون
دوره آموزش مدل سازی پیشرفته و شبکه عصبی و دیپ لرنینگ، به دانشجویان و علاقمندان به هوش مصنوعی ارائه میشود.
در این دوره، به بررسی روشهای پیشرفته مدل سازی، شبکههای عصبی و دیپ لرنینگ پرداخته میشود. هدف این دوره، آموزش تکنولوژیهای جدید در حوزه هوش مصنوعی است که در آینده با استفاده از آنها، محاسبات بسیار پیچیده را با سرعت بالا و دقت بالاتر انجام خواهند شد. با گذراندن این دوره، شما قادر خواهید بود تا با استفاده از الگوریتمهای پیچیده، مسائل پروژکت های خود را حل کنید به سطح خوبی از دانش هوش مصنوعی برسید.
*** توجه کنید که سرفصل های ذکر شده کلی میباشید در هر قسمت و هر سرفصل ما پروژه عملی و کاربردی و تکنیک های کد زنی داریم***
سرفصل های دوره :
فصل اول: شبکههای عصبی و یادگیری عمیق
1) آشنایی اولیه با شبکههای عصبی
2) آشنایی با فریم ورک های مختلف
3) آشنایی با فریمورک تنسورفلو و کراس
4) پروژه یک برای آشنایی بیشتر
5) پروژه دو برای آشنایی بیشتر
6) شبکههای عصبی کانولوشنی و پیادهسازی آنها
7) توابع فعال ساز
8) کار با دادههای حجیم
9) آشنایی با مدل های یادگیری معروف
10) پیاده سازی یکی از مدل های معروف با کراس و تنسورفلو
11) تحلیل متنی semantic
12)شبکههای چند کاناله
13) خلاصه فصل
فصل دوم :مباحث پیشرفته
1) شبکههای بازگشتی
2) یادگیری انتقالی
3) پروژه سیستم مترجم هوش مصنوعی
4) مباحث باقیمانده و خلاصه
5) مباحث باقیمانده و خلاصه
فصل سوم : مباحث تکمیلی مهم
1) آشنایی با reinforcement learning
2) پروژه تاکسی خودران با یادگیری تقویتی (اختیاری)
3) آشنایی با Federated learning
4) آشنایی با متالرنینگ
5) آشنایی با شبکههای Generative learning
6) دامه راه
پیش نیاز های دوره :
- آشنایی با ریاضیات
- دوره مدل سازی پایه
- زبان پایتون
فهرستـــ ویدیوها
مدت زمان دوره 12:5:00با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.
بررسی سر فصل های دوره
مشخصا باید این قسمت رو اول از همه بررسی میکردیم ولی این دفعه فرق داره :)
اشنایی با مفاهیم شبکه عصبی | نحوه محاسبه Loss | به روزرسانی وزن ها بخش اول
به بررسی ابتدایی ریاضیات میپردازیم به علاوه این که مفاهیم التدایی رو با هم بررسی میکنیم
اشنایی با مفاهیم شبکه عصبی | نحوه محاسبه Loss | به روزرسانی وزن ها بخش دوم
ادامه مفاهیم رو در این قسمت دنبال میکنیم.
بررسی فریم ور ک های مختلف برای پیاده سازی شبکه های عصبی
فریم ورک های مد نظرمون رو مورد ببرسی قرار میدیم
بررسی ماژول keras | بررسی شبکه های عصبی با tensorflow playground
به صورت تصویری نحوه کار شبکه های عصبی و لایه های میانی اون ها رو با هم میبینیم
پیاده سازی شبکه عصبی برای حل مثال Mnist
یک شبکه عصبی رو ایجاد میکنیم دیتامون رو لود میکنیم و میریم برای آموزش مدل
پیاده سازی شبکه عصبی برای حل مثال Mnist بخش دوم
مدلمون رو میزاریم برای آ»وزش و ازش تست میگیریم.
بررسی نکات بیشتر درباره شبکه عصبی و نکات بیشتر
این قسمت کد های جلسه قبل رو بیشتر مورد بررسی قرار میدیم و جزییات بیشتری رو یاد میگیرم
قسمت ویژه | فلش بک به دوره ماشین لرنینگ و بررسی هم بستگی میان داده ها
این قسمت یک فلش بک میزنیم به دوره ماشین لرنینگ و واریانس و هم بستگی رو با هم بررسی میکنیم
پیاده سازی شبکه عصبی برای تشخیص بیماری قبلی
حل یک مثال دیگر این دقعه با دیتای بیماران قلبی | کد های جلسات قبل هم به همراه کد های این جلسه قرار گرفتند
پیاده سازی یک مدل برای دیتاهای خطی برای بررسی Regression
در این قسمت بر اساس معادله خط یک سری دیتای خطی تولید میکنیم و میدیم به مدل تا آموزش ببینه و ......
پیاده سازی یک مدل برای دیتاهای غیر خطی و Fine Tune مدل قبلی
با استفادهاز مدل قبلیمون این دقعه دیتاهای غیر خطی رو آموزش میدیم و خب نتیجه کار باعث میشه تا مدل رو تغییر بدیم البته که کامل علت رو ببرسی میکنیم
استفاده از Activation functions برای حل مسایل غیر خطی
این قسمت مدلی که برای دیتای غیر خطی بود رو تغییر میدیم
بررسی شبکه های کانولوشنی بخش اول
به بررسی شبکه های کانولوشنی که خیلی پر استفاده در بینایی کامپیوتر هستند میپردازیم
بررسی شبکه های کانولوشنی بخش دوم | بررسی stride و kernel
خب تو این قسمت مفاهیم بیشتری رو یاد میگیریم.
قسمت اضافه : معرفی منابع برای شبکه های عصبی
این قسمت رو به یک سری منابع برای شبکه های عصبی اختصاص دادیم
پیاده سازی شبکه کانولوشنی و حل مثال دست نوشته بخش اول
پیاده سازی یک شبکه و آموزش اون شبکه میپردازیم.
پیاده سازی شبکه عصبی برای تشخیص Fashion Mnist | مفهوم DropOut
این قسمت یک شبکه جدید رو میسازیم و مفهوم جدید رو یاد میگیریم
پیاده سازی شبکه عصبی برای تشخیص نوع جاندار | کار با داده های حجیم | Augment data
این قسمت میریم سراغ Kaggle و اونجا با دیتا گربه و سگ یک شبکه رو پیاده سازی میکنیم و بعدش یاد میگیریم چ طوری دیتا رو آگمنت کنیم
پیاده سازی شبکه عصبی برای تشخیص نوع جاندار | کار با داده های حجیم | Augment data بخش دوم
ادامه قسمت قبل رو پیش میگیریم
Semantic با شبکه های عصبی | متن کاوی بر روی داده های نظرات IMDB
این قسمت میریم سراغ نظراتی که در سایت IMDB که به صورت دیتا ست در اختیار ما قرار گرفتهع است
Semantic با شبکه های عصبی | متن کاوی بر روی داده های نظرات IMDB بخش دوم
این قسمت یمریم دیتامون رو درست کنیم و اماده
ساخت مدل Smantic | اشنایی با مفهوم کانولوشن یک بعدی | Embedding|
این قسمت یکی از قسمت های خیلی خوب این دوره است پیشنهاد میدم چندین بار ببینید و پیاده سازی رو دقت کنید درباره Embedding هم بیشتر بخونید
ساخت مدل Smantic | اشنایی با مفهوم کانولوشن یک بعدی | Embedding| بخش دوم
. خب مباحث جلسه قبل رو پیش میبریم
بررسی مفهوم شبکه های چند کاناله و پیاده سازی
این قسمت میریم سراغ شبکه های چند کاناله و یک پیاده سازی ازشون میبینیم
تست از مدل آموزش دیدمون برای تشخیص نظر کاربران
مدلی که در جلسات قبل داشتیم رو میاریم و ازش تست میگیریم
بررسی شبکه های عصبی بازگشتی
این قسمت میریم سراغ یکی از شبکه هایی که خیلی تو NLP استفاده میشود
ساخت شبکه بازگشتی برای پیش بنیی قیمت سهام شرکت اپل
این قسمت میریم سراغ دیتاهای زمانی و شبکه های عصبی بازگشتی
ساخت شبکه بازگشتی برای پیش بنیی قیمت سهام شرکت اپل بخش دوم
ادامه مباحث جلسه قبل رو ادامه میدیم
بررسی Transfer learning و استفاده از شبکه ResNet
این قسمت به بررسی یادگیری انتقالی میپردازیم.
بررسی Transfer learning و استفاده از شبکه ResNet بخش دوم
این قسمت هم ادامه مباحث رو پیش میگیریم البته که خیلی ارور های مختلفی میگیریم
بررسی Transfer learning و استفاده از شبکه ResNet بخش سوم
در این قسمت به بررسی ارور ها جلسه قبل و نکات خیلی مهم میپردازیم
بررسی Transfer learning و بررسی قفل لایه ها
در این قسمت به قفل کردن شبکه و هر لایه برای آپدیت نشدن وزن هاش میپردازیم.
بررسی و خلاصه transfrer| سخنی کوتاه راجع واقعیت
این قسمت یه مقدار برای یادگیری و نشستن توی ذهنمون دوباره مباحث رو مرور میکنیم .
پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی
این قسمت و قسمت های بعدی یک شبکه رو ایجاد میکنیم که بیاد یک رشته جمع از ما بگیره و خودش محاسبه کنه نتیجه رو
نظرات کاربران در رابطه با این دوره