خلاصه دوره یادگیری عمیق
امروزه ساخت سیستمی هوشمند که توانایی استخراج بازنمایی سطح بالا از داده ها را داشته باشد، در بسیاری از مسائل مرتبط با هوش مصنوعی الزام و ضروری است. استدلال های نظری و بیولوژیکی نشان می دهد که برای ساخت چنین سیستم هایی، نیاز به مدل هایی با معماری عمیق است که شامل بسیاری از لایه های پردازش غیرخطی هستند.
یادگیری عمیق، زیرمجموعه ای از روش های یادگیری ماشین می باشد که از آن به عنوان یادگیری بازنمایی نیز نام برده می شود. یادگیری بازنمایی یا یادگیری ویژگی ها، تکنیکی است که به ماشین این توانایی را می دهد تا روابط را از داده های خام به صورت خودکار کشف کند. این توانایی مهم و مشخصه اصلی یادگیری عمیق، با یادگیری در لایه های مختلف در ساختار شبکه امکان پذیر می شود.
تا قبل از پیدایش یادگیری عمیق، روش های یادگیری ماشین سنتی، بیش از حد به بازنمایی هایی که از داده ها بدست می آورند، وابسته بودند. این روش ها، نیاز به یک متخصص در دامنه موضوع داشت تا استخراج ویژگی ها را به صورت دستی انجام دهد. حال آن که، این استخراج ویژگی ها به صورت دستی فرآیندی چالش انگیز و زمانبر است. پیدایش یادگیری عمیق توانست به سرعت جایگزین این روش های سنتی شود. چرا که می توانست استخراج ویژگی ها را به صورت خودکار متناسب با هر مساله بدست آورد.
در چند ین سال اخیر، یادگیر ی عمیق به محرک اصلی راه حل ها ی نوآورانه برای مسائل هوش مصنوعی تبدیل گردیده که این امر با افزایش مقدار داده های موجود، افزایش منابع محاسباتی و تکنیک های بهبودیافته در آموزش شبکه های عمیق امکانپذیر شده است. یادگیری عمیق امروزه فراهم ساز تغییرات گسترده در صنعت فناوری شده است، از همین رو درک و نحوه کار یادگیری عمیق برای افراد متخصص نرم افزاری در دنیای امروز، مفید، ضروری و لازم خواهد بود.
دوره حاضر با بهره گیری از جدیدترین مراجع علمی برای طیف گستردهای از پژوهشگران، دانشجویان، صاحبان صنایع و علاقه مندان به یادگیری عمیق، تالیف و گردآوری گردیده تا بتوانند دانش کافی از اصول و مفاهیم اساسی در این زمینه را بدست آورند. همچنین، از آنجایی که این دوره مطالب مورد نیاز برای درس یادگیری عمیق در مقطع تحصیلات تکمیلی را پوشش می دهد، می تواند مرجع مناسبی برای این درس و همچنین درس اختیاری دانشجویان سال آخر کارشناسی در رشته مهندسی کامپیوتر باشد. از همین رو تمام تلاش براین بود تا مطالب دوره را به شیوهای ساده، روان و قابل فهم، به همراه مثال هایی برای درک بهتر ارائه کنیم تا برای این طیف گسترده از خوانندگان قابل درک باشد.
مباحث مطرح شده در این دوره
- فصل اول: مقدمه ای بر یادگیری ماشین و یادگیری عمیق
- یادگیری ماشین چیست؟
- معرفی انواع روش های یادگیری
- یادگیری با نظارت
- یادگیری بی نظارت
- یادگیری نیمه نظارت
- یادگیری تقویتی
- معرفی انواع روش های یادگیری
- یادگیری عمیق چیست؟
- علت محبوبیت یادگیری عمیق
- دلایل اهمیت یادگیری عمیق
- چالش های موجود در یادگیری عمیق
- کاربردهای یادگیری عمیق
- تفاوت یادگیری عمیق و یادگیری ماشین
- رابطه بین هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق
- یادگیری ماشین چیست؟
- فصل دوم:یادگیری با نظارت عمیق
- شبکه های عصبی مصنوعی
- پرسپترون
- شبکه های عمیق
- تابع فعال سازی
- تابع زیان
- شیوه های وزن دهی اولیه
- بهینه ساز ها و بروز رسانی وزن ها
- الگوریتم پس انتشار خطا
- چالش های آموزش در شبکه های عمیق و راه حل ها
- فراپارامترها
- شبکه های عصبی مصنوعی
- فصل سوم : شبکه های عصبی کانولوشن(CNN)
- معرفی ساختار شبکه های کانولوشن
- طریقه آموزش شبکه های کانولوشن
- شبکه های کانولوشن عمیق
- معماری های پیشرفته کانولوشن
- کاربردها
- فصل چهارم:شبکه های بازگشتی(RNN)
- معرفی ساختار شبکه های بازگشتی
- معرفی انواع شبکه های بازگشتی
- شبکه های بازگشتی عمیق
- طریقه آموزش شبکه های بازگشتی
- مکانیزیم توجه در شبکه های بازگشتی
- کاربردها
- فصل پنجم :یادگیری بازنمایی بدون نظارت عمیق
- خودرمزنگار
- معماری خودرمزنگار
- خودرمزگذاری چگونه کار می کند
- انواع خودرمزنگارها
- کاربردهای خودرمزنگارها
- مدل های مولد عمیق
- شبکه های مولد تخاصمی (GAN)
- معرفی انواع شبکه های مولد تخاصمی
- ماشین بولتزمن(RBM)
- ماشین بولتزمن محدود
- شبکه باور عمیق
- شبکه های مولد تخاصمی (GAN)
- خودرمزنگار
- فصل ششم:یادگیری بازنمایی بدون نظارت عمیق
- یادگیری تقویتی چیست؟
- اجزا تشکیل دهنده یادگیری تقویتی
- رابطه یادگیری تقویتی و یادگیری عمیق
- فصل هفتم:یادگیری بازنمایی بدون نظارت عمیق
- آشنایی با مفهوم word2vec
- آشنایی با مفهوم word embedding
- مدل های زبانی
- ترانسفورماتورها
- شبکه های BERT
- فصل هشتم:یادگیری عمیق انتقالی
- یادگیری انتقالی
- یادگیری عمیق انتقالی چیست؟
- انگیزه استفاده
- مزایای استفاده
- استراتژی های استفاده
- رویکردهای یادگیری عمیق انتقالی
- فصل نهم:یادگیری عمیق هندسی
- یادگیری عمیق هندسی چیست؟
- یادگیری بازنمایی گراف
- شبکه های عصبی گراف
- کاربردها
- فصل دهم:یادگیری بازنمایی بدون نظارت عمیق
- مروری کوتاه بر مهم ترین مقالات کاربردی ارائه شده در یادگیری عمیق در سال های اخیر
- پردازش متن
- پردازش تصویر
- مروری کوتاه بر مهم ترین مقالات کاربردی ارائه شده در یادگیری عمیق در سال های اخیر
- فصل یازدهم: ابزارهای برنامه نویسی
- معرفی زبان های برنامه نویسی
- معرفی محیط های برنامه نویسی
- معرفی کتاب خانه های استفاده شده برای هوش مصنوعی
- ارائه مثالی از رگرسیون در برنامه نویسی
مزیت دوره
- در دوره خبری از تئوری های خسته کننده و بيهوده نيست.
- در انتهای دوره قادر خواهید بود به تسلط کامل بر یادگیری عمیق و برنامه نویسی آن برسید.
- می توانید با مدرس دوره به صورت رایگان در ارتباط باشید.
- همچنین تیم پشتیبانی دوره ها از طریق تلفن، واتس اپ و تلگرام، در خدمت هنرجویان هستند.
- در این دوره، تمام مباحث کاربردی، اساسی و آخرین آپدیت تدریس شده اند.
سوالات رایج در مورد دوره یادگیری عمیق
دوره کاربرد یادگیری عمیق چند ساعت طول میکشد؟
40 ساعت
دوره یادگیری عمیق برای چه کسانی مناسب است؟
علاقه مندان به هوش مصنوعی و یادگیری عمیق
دانشجویان کلیه رشته ها از جمله کامپیوتر، برق ، مکانیک ، ریاضی ، آمار
خیلی سریع و واضح بهمون بگید که توی ان کارگاه یادگیری عمیق چه چیزی گفته میشود؟!
در این دوره از صفر تا صد یادگیری عمیق آموزش داده می شود.
آیا نیازمند پیش نیاز برای پکیج یادگیری عمیق خواهیم بود؟
به هیچ وجه
اگر سوالی داشتم، چگونه میتوانم با مدرس دوره در ارتباط باشم؟
واتس آپ، ایمیل ، تلگرام
آیا در این دوره نیاز به یادگیری زبان برنامه نویسی است؟
تا آن جایی که نیاز باشد تدریس می شود.
با چه زبان برنامه نویسی کار خواهید کرد؟
به دلیل آسان بودن زبان پایتون از این زبان استفاده خواهد شد. علاوه بر این ، این زبان دارای کتاب خانه های زیادی برای یادگیری عمیق است. ضمنا در این دوره اشاره هایی به زبان متلب نیز خواهد شد.
با یادگیری این دوره در چه حوزه ای میتوانم کار کنم/ درآمد من در این حوزه چقدر خواهد بود؟
- هوش مصنوعی ، پردازش زبان های طبیعی ، پردازش تصویر، پردازش صدا ، پردازش ویدیو
- در آمد : 6 میلیون به بالا (با توجه به سطح توانایی)