قیمت این دوره: 750,000 375,000 تومان
  • مدرس دوره : امیرحسین ساوه دربندسری
  • تعداد ویدیوها : 51 ویدیو
  • مدت زمان دوره : 12:5:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1402/08/17
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش جامع مدل سازی پیشرفته یادگیری عمیق (deep learning) با پایتون

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 :

  1. آشنایی با ریاضیات
  2. دوره مدل سازی پایه
  3. زبان پایتون

فهرستـــ ویدیوها

مدت زمان دوره 12:5:00
  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1
  • پیش از شروع بخش اول

00:05:00

درباره قسمت های دوره با هم حرف میزنیم

2
  • آماده سازی و شناخت محیط های عملیاتی

00:05:00

محیط های توسعه رو با هم دیگه مورد بررسی قرار میدیم

3
  • بررسی سر فصل های دوره

00:05:38

مشخصا باید این قسمت رو اول از همه بررسی میکردیم ولی این دفعه فرق داره :)

4
  • اشنایی با مفاهیم شبکه عصبی | نحوه محاسبه Loss | به روزرسانی وزن ها بخش اول

00:18:00

به بررسی ابتدایی ریاضیات میپردازیم به علاوه این که مفاهیم التدایی رو با هم بررسی میکنیم

5
  • اشنایی با مفاهیم شبکه عصبی | نحوه محاسبه Loss | به روزرسانی وزن ها بخش دوم

00:16:00

ادامه مفاهیم رو در این قسمت دنبال میکنیم.

6
  • مثالی دیگر از معادله درجه یک

00:08:00

با یک مثال دیگر بحثمون رو کامل میکنیم

7
  • بررسی فریم ور ک های مختلف برای پیاده سازی شبکه های عصبی

00:05:00

فریم ورک های مد نظرمون رو مورد ببرسی قرار میدیم

8
  • بررسی ماژول keras | بررسی شبکه های عصبی با tensorflow playground

00:17:00

به صورت تصویری نحوه کار شبکه های عصبی و لایه های میانی اون ها رو با هم میبینیم

9
  • پیاده سازی شبکه عصبی برای حل مثال Mnist

00:19:10

یک شبکه عصبی رو ایجاد میکنیم دیتامون رو لود میکنیم و میریم برای آموزش مدل

10
  • پیاده سازی شبکه عصبی برای حل مثال Mnist بخش دوم

00:23:00

مدلمون رو میزاریم برای آ»وزش و ازش تست میگیریم.

11
  • بررسی نکات بیشتر درباره شبکه عصبی و نکات بیشتر

00:20:00

این قسمت کد های جلسه قبل رو بیشتر مورد بررسی قرار میدیم و جزییات بیشتری رو یاد میگیرم

12
  • قسمت ویژه | فلش بک به دوره ماشین لرنینگ و بررسی هم بستگی میان داده ها

00:18:30

این قسمت یک فلش بک میزنیم به دوره ماشین لرنینگ و واریانس و هم بستگی رو با هم بررسی میکنیم

13
  • پیاده سازی شبکه عصبی برای تشخیص بیماری قبلی

00:25:00

حل یک مثال دیگر این دقعه با دیتای بیماران قلبی | کد های جلسات قبل هم به همراه کد های این جلسه قرار گرفتند

14
  • پیاده سازی یک مدل برای دیتاهای خطی برای بررسی Regression

00:20:00

در این قسمت بر اساس معادله خط یک سری دیتای خطی تولید میکنیم و میدیم به مدل تا آموزش ببینه و ......

15
  • پیاده سازی یک مدل برای دیتاهای غیر خطی و Fine Tune مدل قبلی

00:10:12

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

16
  • بررسی کامل توابع فعال ساز | Activation functions

00:05:12

به بررسی توابع فعال ساز میپردازیم

17
  • استفاده از Activation functions برای حل مسایل غیر خطی

00:05:24

این قسمت مدلی که برای دیتای غیر خطی بود رو تغییر میدیم

18
  • بررسی شبکه های کانولوشنی بخش اول

00:15:32

به بررسی شبکه های کانولوشنی که خیلی پر استفاده در بینایی کامپیوتر هستند میپردازیم

19
  • بررسی شبکه های کانولوشنی بخش دوم | بررسی stride و kernel

00:09:00

خب تو این قسمت مفاهیم بیشتری رو یاد میگیریم.

20
  • قسمت اضافه : معرفی منابع برای شبکه های عصبی

00:02:00

این قسمت رو به یک سری منابع برای شبکه های عصبی اختصاص دادیم

21
  • پیاده سازی شبکه کانولوشنی و حل مثال دست نوشته بخش اول

00:22:00

پیاده سازی یک شبکه و آموزش اون شبکه میپردازیم.

22
  • بررسی overfit و underfit

00:10:00

دو مفهوم خیلی مهم در شبکه های عصبی

23
  • بررسی نکات و جزییات بررسی overfit بر روی مدل

00:11:32

نکات مهم و اثر یادگیری رو بررسی میکنیم

24
  • بررسی padding و استفاده در شبکه کانولوشنی

00:10:00

به بررسی padding های مختلف میپردازیم

25
  • پیاده سازی شبکه عصبی برای تشخیص Fashion Mnist | مفهوم DropOut

00:33:00

این قسمت یک شبکه جدید رو میسازیم و مفهوم جدید رو یاد میگیریم

26
  • پیاده سازی شبکه عصبی برای تشخیص نوع جاندار | کار با داده های حجیم | Augment data

00:20:00

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

27
  • پیاده سازی شبکه عصبی برای تشخیص نوع جاندار | کار با داده های حجیم | Augment data بخش دوم

00:19:00

ادامه قسمت قبل رو پیش میگیریم

28
  • Semantic با شبکه های عصبی | متن کاوی بر روی داده های نظرات IMDB

00:23:00

این قسمت میریم سراغ نظراتی که در سایت IMDB که به صورت دیتا ست در اختیار ما قرار گرفتهع است

29
  • Semantic با شبکه های عصبی | متن کاوی بر روی داده های نظرات IMDB بخش دوم

00:05:00

این قسمت یمریم دیتامون رو درست کنیم و اماده

30
  • ساخت مدل Smantic | اشنایی با مفهوم کانولوشن یک بعدی | Embedding|

00:22:00

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

31
  • ساخت مدل Smantic | اشنایی با مفهوم کانولوشن یک بعدی | Embedding| بخش دوم

00:23:00

. خب مباحث جلسه قبل رو پیش میبریم

32
  • بررسی مفهوم شبکه های چند کاناله و پیاده سازی

00:20:00

این قسمت میریم سراغ شبکه های چند کاناله و یک پیاده سازی ازشون میبینیم

33
  • تست از مدل آموزش دیدمون برای تشخیص نظر کاربران

00:15:00

مدلی که در جلسات قبل داشتیم رو میاریم و ازش تست میگیریم

34
  • بررسی و جمع بندی فصل

00:06:00

یه جمع بندی و مرور بر کار هایی که داشتیم

35
  • بررسی شبکه های عصبی بازگشتی

00:12:00

این قسمت میریم سراغ یکی از شبکه هایی که خیلی تو NLP استفاده میشود

36
  • بررسی LSTM و انواع شبکه های بازگشتی

00:19:00

این قسمت با GrU و LSTM اشنا میشیم

37
  • ساخت شبکه بازگشتی برای پیش بنیی قیمت سهام شرکت اپل

00:20:00

این قسمت میریم سراغ دیتاهای زمانی و شبکه های عصبی بازگشتی

38
  • ساخت شبکه بازگشتی برای پیش بنیی قیمت سهام شرکت اپل بخش دوم

00:16:00

ادامه مباحث جلسه قبل رو ادامه میدیم

39
  • بررسی Transfer learning و استفاده از شبکه ResNet

00:15:17

این قسمت به بررسی یادگیری انتقالی میپردازیم.

40
  • بررسی Transfer learning و استفاده از شبکه ResNet بخش دوم

00:19:05

این قسمت هم ادامه مباحث رو پیش میگیریم البته که خیلی ارور های مختلفی میگیریم

41
  • بررسی Transfer learning و استفاده از شبکه ResNet بخش سوم

00:10:00

در این قسمت به بررسی ارور ها جلسه قبل و نکات خیلی مهم میپردازیم

42
  • بررسی Transfer learning و بررسی قفل لایه ها

00:12:00

در این قسمت به قفل کردن شبکه و هر لایه برای آپدیت نشدن وزن هاش میپردازیم.

43
  • بررسی و خلاصه transfrer| سخنی کوتاه راجع واقعیت

00:12:00

این قسمت یه مقدار برای یادگیری و نشستن توی ذهنمون دوباره مباحث رو مرور میکنیم .

44
  • پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی

00:21:00

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

45
  • پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی بخش دوم

00:18:00

ادامه مباحث قبلی

46
  • پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی بخش سوم

00:13:00

ادامه مباحث جلسات قبل

47
  • پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی ایجاد Model

00:15:00

این قسمت مدل رو پیاده سازی میکنیم. و با یک سری لایه جدید آشنا مشیم

48
  • بررسی learning های مختلف

00:10:00

برای یک بار کاین مبحث رو جمع میکنیم.

49
  • بررسی Reinforcement learning

00:10:00

این قسمت به بررسی یادگیری تقویتی میپردازیم

50
  • بررسی Federated learning

00:08:00

به بررسی Federated learning میپدازیم.

51
  • سخنی کوتاه و پایانی

00:03:00

سخن پایانی فعلی


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 .