آموزش یادگیری عمیق مقدماتی با پایتون
در سال های اخیر، یادگیری عمیق، تحول بزرگی را در یادگیری ماشین و هوش مصنوعی ایجاد کرده است.دلیل اصلی نهفته در پس «یادگیری عمیق» (Deep Learning) این ایده است که «هوش مصنوعی» (Artificial Intelligence) باید از مغز انسان الهام بگیرد.
در این دوره آموزشی چه خبره؟
با توجه به طیف وسیع مخاطبان دوره سعی شده تا حد امکان مفاهیم بصورت واضح بیان شوند و در عین حال تلاش شده تا به مباحث تئوری مطالب گفته شده در حد کافی پرداخته شود تا دانشجویان از دید تئوری مناسبی نیز برخوردار گردند. در کل این دوره برای مخاطبانی که تا حدی با جبر خطی و ماتریس ها و مفهوم مشتق آشنایی دارند مناسب خواهد بود و برای مخاطبینی که آشنایی زیادی با این مباحث ندارند تلاش شده تا مفاهیم بصورت کاملا شهودی بیان شوند. در بخشی از تمرینات جهت تفهیم بهتر مطالب از هیچ کتابخانه هوش مصنوعی و یادگیری عمیقی استفاده نشده تا دانشجویان گرامی در جریان پیاده سازی و نکات مهم آن از ۰ تا ۱۰۰ قرار گیرد.
نکته مهم : در پیاده سازی پروژه ها از جدید ترین نسخه کتابخانه تنسورفلو یعنی (Tensorflow 2) و Keras استفاده شده است.
در این دوره چهار پروژه پیاده سازی میگردد.
فرمت تمام ویدئوها بصورت mp4 یا wmv می باشد که به راحتی با نرم افزارهای پخش مدیا اجرا خواهند شد.
در صورت بروز هر گونه مشکل در خرید و دانلود با پست الکترونیکی sendticket.py@gmail.com با ما در ارتباط باشید.
سرفصل دوره در بخش زیر قابل مشاهده می‌باشد.
پروژه‌های پیاده سازی شده
- تخمین توابع با شبکه های Fully-Connected
- دسته بندی دیتاست Fashion MNIST با شبکه های SLP
- دسته بندی دیتاست MNIST Digits با شبکه های Fully-Connected
- دسته بندی دیتاست CIFAR-10 (ده نوع مختلف از اشیاء در تصاویر) با شبکه های CNN
آیا این دوره پیش نیازی دارد؟
فصل صفرم
معرفی دوره یادگیری عمیق با پایتون ویدئو
فصل اول
شبکه های تک لایه پرسپترون و پیاده سازی آن ها ویدئو
فصل دوم
یادگیری Widrow-Hoff و پیاده سازی آن ویدئو
فصل سوم
شبکه های Fully-Connected و MLP و پیاده سازی آن ها ویدئو
فصل چهارم
تخمین گر های جهانی (Universal Approximators) ویدئو
فصل پنجم
شبکه های CNN و پیاده سازی آن ها ویدئو
فصل ششم
روش های بهینه سازی و Optimizer هایی چون Adam ویدئو
فصل هفتم
پرکاربردترین Loss Function ها و Cost Function های یادگیری عمیق ویدئو
فصل هشتم
نکات مهم در Train شبکه های عمیق ویدئو
پیاده سازی پروژه های پایانی
دسته بندی دیتاست CIFAR-10 (ده نوع مختلف از اشیاء در تصاویر) با شبکه های CNN ویدئو
دسته بندی دیتاست MNIST Digits با شبکه های Fully-Connected ویدئو
دسته بندی دیتاست Fashion MNIST با شبکه های SLP ویدئو
تخمین توابع با شبکه های Fully-Connected ویدئو
دوره های مرتبط
آموزش مقدماتی پایتون
وقتی شما در حال مطالعه این متن هستید در واقع نشان دهنده این است که علاقمند به زبان برنامه نویسی پایتون هستید. بنابراین سعی کردیم زبان برنامه نویسی پایتون را به درستی معرفی کنیم و از قدرت این زبان شیرین سخن بگوییم.
آموزش تکمیلی پایتون
در دوره تکمیلی پایتون در ابتدا مروری به پایتون مقدماتی می گردد سپس به مبحث کلاس ها، شی گرایی و ارث بری پرداخته می شود، همچنین در این دوره انواع رابط های گرافیکی رو مورد بررسی قرار میدیم همچنین شروع به آموزش فریمورک tkinter کردیم و یک پروژه کوچکی رو باهاش انجام دادیم و در انتهای آموزش دیتابیس های متفاوتی رو اومدیم بررسی کردیم از جمله به MySQL، sqlite3 و MongoDB میتوان اشاره کرد. و در نهایت به Git پرداخته شد.
آموزش یادگیری ماشین با پایتون
اهمیت بالای یادگیری ماشین در جهان مدرن انکار ناپذیر است و همین حالا در زمینه‌های بسیاری از جمله برای بهینه‌سازی تجربه کاربر در استفاده از وب سایت‌ها مورد استفاده قرار گرفته است. شبکه‌های عصبی نیز کاربردهای بسیاری دارند که از این میان میتوان به تعدیل شبکه‌های اجتماعی و ماشین‌های خودکار اشاره کرد. یادگیری ماشین به لطف افزایش توان پردازش سخت افزاری در سال‌های اخیر رشد چشمگیری را تجربه کرده؛ با این وجود پتانسیل‌های این زمینه بسیار بیشتر از آن چیزی است که تا کنون به آن دست یافته‌ایم.
آموزش پروژه محور دسته‌بندی ایمیل‌های اسپم
در این دوره تمامی مراحل لازم برای ساختن یک ماشین یادگیری تشخیص ایمیل اسپم آموزش داده می‌شود. آموزش‌ها از مباحث تئوری احتمالات آغاز شده و تا یادگیری Bayesian ادامه می‌یابد. سپس مراحل لازم جهت پیاده‌سازی مباحث تئوری در پایتون از ۰ تا ۱۰۰ طی شده است.
قوانین ثبت دیدگاه