قیمت این دوره: 750,000 450,000 تومان
  • مدرس دوره : قائم تقی پور
  • تعداد ویدیوها : 60 ویدیو
  • مدت زمان دوره : 8:29:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1403/08/26
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش جامع مبانی هوش مصنوعی – دوره تخصصی یادگیری عمیق

آموزش جامع مبانی هوش مصنوعی – دوره تخصصی یادگیری عمیق

در دنیای امروز، هوش مصنوعی و یادگیری عمیق به عنوان یکی از مهم‌ترین شاخه‌های فناوری اطلاعات شناخته می‌شوند. این حوزه‌ها نه تنها به تغییر ساختارهای موجود در صنایع مختلف کمک کرده‌اند، بلکه پایه‌گذار نوآوری‌ها و پیشرفت‌های بی‌شماری در زمینه‌های علمی، پزشکی، مهندسی و حتی زندگی روزمره ما شده‌اند. یادگیری عمیق به عنوان یکی از زیرشاخه‌های مهم هوش مصنوعی، با تکیه بر شبکه‌های عصبی مصنوعی و الگوریتم‌های پیچیده، امکان پردازش و تحلیل حجم عظیمی از داده‌ها را فراهم می‌کند و به ما کمک می‌کند تا به الگوها و بینش‌های عمیقی دست یابیم که پیش‌تر غیرقابل تصور بود.

این دوره آموزشی با عنوان "آموزش جامع مبانی هوش مصنوعی – دوره تخصصی یادگیری عمیق" در ادامه دوره قبلی یعنی "آموزش جامع مبانی هوش مصنوعی – دوره تخصصی یادگیری ماشین" طراحی شده است. در رویکردی مشابه با دوره‌ی قبل، در این دوره، به بررسی عمیق‌تر مفاهیم و تکنیک‌های یادگیری عمیق پرداخته می‌شود. در ابتدا با مفاهیم مقدماتی شبکه‌های عصبی شروع می‌کنیم، جایی که مبانی تئوری و عملی شبکه‌های عصبی مصنوعی به دقت تشریح شده و  سپس، موضوع بهینه‌ سازی در شبکه‌های عصبی را بررسی می‌کنیم، و روش‌ها و الگوریتم‌های پیشرفته‌ای برای بهبود عملکرد مدل‌ها معرفی می‌شوند.

در فصل سوم، به تحلیل مسائل و طراحی استراتژی‌های حل مسائل در شبکه‌های عصبی می‌پردازیم. در این بخش، دانشجویان خواهند آموخت که چگونه با رویکردی سیستماتیک به تحلیل و حل مسائل پیچیده بپردازند و همچنین با انواع استراتژی های موجود در برخورد با مسائل مختلف آشنا خواهند شد. در نهایت، دوره با ارائه مقدمه‌ای بر یادگیری تقویتی به پایان می‌رسد؛ مفهومی که در سال‌های اخیر نقش کلیدی در پیشرفت‌های بیشتر در هوش مصنوعی ایفا کرده است. این دوره، برای کسانی که قصد دارند در مسیر تخصصی یادگیری عمیق گام بردارند، طراحی شده است و دانشجویان را آماده می‌کند تا در پروژه‌های پیشرفته و کاربردهای واقعی از این فناوری‌ها استفاده کنند.

جهت کسب اطلاعات بیشتر در رابطه با این دوره، لطفا جلسه ی معرفی دوره را مشاهده نمایید.

سرفصل های دوره

مفاهیم مقدماتی شبکه های عصبی

بهینه سازی در شبکه های عصبی

آنالیز مسئله و طراحی استراتژی حل مسائل در شبکه های عصبی

مقدمه ای بر یادگیری تقویتی



پیش نیاز های دوره :

  1. دوره تخصصی یادگیری ماشین
  2. آموزش جامع مبانی هوش مصنوعی

فهرستـــ ویدیوها

مدت زمان دوره 8:29:00
  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1
  • معرفی دوره

00:12:00

معرفی دوره

2
  • بررسی نقشه راه دوره

00:05:08

بررسی نقشه راه دوره

3
  • نگاهی به مفهوم یادگیری عمیق

00:07:30

نگاهی به مفهوم یادگیری عمیق

4
  • فصل اول - مفاهیم مقدماتی یادگیری عمیق

00:13:49

فصل اول - مفاهیم مقدماتی یادگیری عمیق

5
  • مروری بر معماری شبکه های عصبی

00:15:16

مروری بر شبکه های عصبی

6
  • خروجی لایه های شبکه عصبی

00:07:52

خروجی لایه های شبکه عصبی

7
  • فرمت برداری در ANN

00:05:27

فرمت برداری در ANN

8
  • توابع فعالساز غیر خطی

00:09:55

توابع فعالساز غیر خطی

9
  • روابط حاکم بر Feed-Forward و Back-Propagation

00:08:27

روابط حاکم بر Feed-Forward و Back-Propagation

10
  • تئوری مدار در دیپ لرنینگ

00:04:29

تئوری مدار در دیپ لرنینگ

11
  • پارامتر و هایپر پارامتر در شبکه های عصبی

00:15:53

پارامتر و هایپر پارامتر در شبکه های عصبی

12
  • فصل دوم - بهینه سازی در شبکه های عصبی

00:01:40

فصل دوم - بهینه سازی در شبکه های عصبی

13
  • مراحل عمومی حل مسئله در ماشین لرنینگ

00:05:08

مراحل عمومی حل مسئله در ماشین لرنینگ

14
  • مروری بر رگولاریزیشن

00:07:07

نگاهی به مفهوم رگولاریزیشن

15
  • متد Dropout در Regularization

00:05:35

متد Dropout در Regularization

16
  • متدهای دیگر Regularization

00:09:21

متدهای دیگر Regularization

17
  • محو شدگی و انفجار گرادیان ها

00:08:18

محو شدگی گرادیان و انفجار گرادیان

18
  • مشکل بهینه محلی و نقطه زین اسبی

00:18:34

بهینه محلی و نقطه زین اسبی

19
  • انواع تکنیک های کاهش گرادیان

00:08:30

انواع تکنیک های کاهش گرادیان

20
  • آشنایی با مفهوم میانگین متحرک نمایی

00:07:35

آشنایی با مفهوم میانگین متحرک نمایی

21
  • تصحیح بایاس

00:06:05

تصحیح بایاس

22
  • کاهش گرادیان با مومنتوم

00:08:17

کاهش گرادیان با مومنتوم

23
  • توزیع RMS

00:05:09

توزیع RMS

24
  • الگوریتم بهینه سازی ADAM

00:05:59

الگوریتم بهینه سازی ADAM

25
  • محو شدگی نرخ یادگیری

00:07:40

محو شدگی نرخ یادگیری

26
  • فرآیند بهینه سازی

00:18:07

فرایند بهینه سازی

27
  • بازه های انتخاب هایپرپارامترها

00:11:01

بازه های انتخاب هایپرپارامترها

28
  • روش Bach Normalization

00:12:19

روش Bach Normalization

29
  • معرفی و مقایسه ی فریم ورک های یادگیری عمیق

00:07:48

معرفی و مقایسه ی فریم ورک های یادگیری عمیق

30
  • پیاده سازی پروژه شبکه عصبی - 1

00:12:43

پیاده سازی پروژه شبکه عصبی

31
  • پیاده سازی پروژه شبکه عصبی - 2

00:15:43

پیاده سازی پروژه شبکه عصبی

32
  • پیاده سازی پروژه شبکه عصبی - 3

00:20:49

پیاده سازی پروژه شبکه عصبی

33
  • فصل سوم - آنالیز مسئله و طراحی استراتژی حل مسائل در بکارگیری شبکه های عصبی

00:04:34

فصل سوم - آنالیز مسئله و طراحی استراتژی حل مسائل در بکارگیری شبکه های عصبی

34
  • انتخاب پارامترهای ارزیابی مدل

00:09:24

انتخاب پارامترهای ارزیابی

35
  • استراتژی توزیع داده ها در دیتاست های آموزش، ارزیابی و صحت سنجی

00:10:33

استراتژی توزیع داده ها در دیتاست های آموزش، ارزیابی و صحت سنجی

36
  • بایاس اجتناب پذیر

00:17:27

بایاس اجتناب پذیر

37
  • تکنیک های بهبود عملکرد مدل

00:05:40

بهبود عملکرد مدل

38
  • آنالیز خطای مدل

00:08:58

آنالیز خطای مدل

39
  • مواجهه با لیبل گذاری های اشتباه مدل

00:11:57

مواجهه با لیبل گذاری های اشتباه مدل

40
  • ایراد در آموزش مدل با دسته بندی های اشتباه

00:08:47

آموزش مدل با دسته بندی های اشتباه

41
  • آشنایی با Transfer Learning - جلسه 1

00:09:59

آشنایی با Transfer Learning

42
  • آشنایی با Transfer Learning - جلسه 2

00:06:23

آشنایی با Transfer Learning

43
  • آشنایی با Multi-task Learning - جلسه 1

00:08:11

آشنایی با Multi-task Learning - جلسه 1

44
  • آشنایی با Multi-task Learning - جلسه 2

00:04:37

آشنایی با Multi-task Learning - جلسه 2

45
  • یادگیری به روش End-to-End

00:14:06

یادگیری به روش End-to-End

46
  • فصل چهارم - مقدمه ای بر یادگیری تقویتی

00:05:00

فصل چهارم - مقدمه ای بر یادگیری تقویتی

47
  • تئوری حاکم بر مسائل RL

00:07:27

تئوری حاکم بر مسائل RL

48
  • فرآیند تصمیم گیری مارکوف

00:07:59

تئوری فرآیند تصمیم گیری مارکوف

49
  • فضای حالت

00:05:24

فضای حالت

50
  • مفهوم پاداش و بازده

00:05:40

پاداش و بازده

51
  • مفهوم سیاست در یادگیری تقویتی

00:03:14

مفهوم سیاست در یادگیری تقویتی

52
  • مقادیر حالت و اکشن

00:05:38

مقادیر حالت و اکشن

53
  • معادله ی بل من

00:03:48

معادله ی بل من

54
  • فضاهای حالت پیوسته و گسسته

00:04:43

فضاهای حالت پیوسته و گسسته

55
  • الگوریتم SARSA

00:05:14

الگوریتم SARSA

56
  • معرفی Q-Table

00:03:00

معرفی Q-Table

57
  • آشنایی با Q-Learning

00:04:10

آشنایی با Q-Learning

58
  • تکنیک Epsilon - Greedy در آموزش مدل

00:04:31

تکنیک Epsilon - Greedy در آموزش مدل

59
  • مقایسه تکنیک های SARSA و Q-Learning در حل مسائل

00:05:11

مقایسه تکنیک های SARSA و Q-Learning در حل مسائل

60
  • آشنایی با یادگیری تقویتی عمیق + سخن پایانی

00:09:00

آشنایی با یادگیری تقویتی عمیق + سخن پایانی

دوره های دیگر مدرس

مشاهده همه دوره ها

نظرات کاربران در رابطه با این دوره

لطفا سوالات خود را راجع به این آموزش در این بخش پرسش و پاسخ مطرح کنید به سوالات در قسمت نظرات پاسخ داده نخواهد شد و آن نظر حذف میشود.
جهت ثبت نظر باید در سایت عضو شوید و یا وارد سایت شده باشید .