00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به کل جلسات ویدیویی از دوره
  • دسترسی به کل جلسات ویدیویی از دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
فقط محتوا
  • دسترسی کامل و نامحدود به محتوای دوره
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی کامل و نامحدود به محتوا
0 تومان
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش شبکه عصبی و یادگیری عمیق (Andrew Ng)

دوره‌های مکتب‌پلاس
16 ساعت
97٪ (162 رای)

کاربرد دوره آموزش شبکه عصبی و یادگیری عمیق چیست؟

امروزه در علوم کامپیوتر دو مبحث بسیار مهم با نام شبکه عصبی و یادگیری عمیق پدید آمده است. شبکه‌های عصبی دسته‌ای از الگوهای برنامه‌نویسی هستند که برای آموختن از داده‌های مشاهده‌ای از زیست‌شناسی الهام گرفته‌اند. به عبارت ساده‌تر، این شبکه‌ها برای یادگیری از نحوه عملکرد مغز بهره می‌برند.

یادگیری عمیق مجموعه قدرتمندی از تکنیک‌ها برای یادگیری در شبکه‌های عصبی است. در واقع یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین محسوب می‌شود و شبکه‌های عصبی اسکلت یادگیری عمیق را تشکیل می‌دهند. 

شبکه‌های عصبی و یادگیری عمیق در حال حاضر بهترین راه‌حل‌ها را برای بسیاری از مشکلات در تشخیص تصویر، تشخیص گفتار و پردازش زبان طبیعی (natural language processing) ارائه می‌دهند. اگر شما هم از علاقه‌مندان و فعالان حوزه تکنولوژی‌های نوظهور هستید، آموزش شبکه عصبی مصنوعی و یادگیری عمیق مکتب‌خونه را از دست ندهید.

هدف از آموزش شبکه عصبی و یادگیری عمیق چیست؟

آموزش شبکه‌های عصبی و یادگیری عمیق، اولین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. در این دوره شما با مفاهیم بنیادی شبکه عصبی و یادگیری عمیق آشنا خواهید شد. این دوره به شما کمک می‌کند که قابلیت‌ها، چالش‌ها و پیامدهای یادگیری عمیق را درک کنید. همچنین آموزش یادگیری عمیق شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده می‌کند.

بنابراین این دوره مسیری برای شما فراهم می‌کند که دانش و مهارت لازم را برای استفاده از یادگیری ماشین در کار خود کسب کنید، سطح فنی خود را ارتقا داده و گام نهایی را برای ورود به دنیای هوش مصنوعی بردارید.

بعد از فراگیری دوره آموزش شبکه عصبی و یادگیری عمیق چه مهارت‌هایی کسب خواهید کرد؟

  • آشنایی با یادگیری عمیق
  • آشنایی با شبکه عصبی مصنوعی
  • برنامه‌نویسی پایتون
  • روش پس انتشار (Backpropagation)
  • معماری شبکه عصبی

 

سرفصل‌های دوره آموزش شبکه عصبی و یادگیری عمیق (Andrew Ng)

فصل اول: مقدمه‌ای بر یادگیری عمیق
01:27 ساعت
01:17
Combined Shape Created with Sketch. 8 جلسه
بارم:
10%
نمایش جلسات فصل  

برای شروع آموزش deep learning ابتدا بهتر است بدانید که شبکه عصبی چیست. همان‌طور که گفتیم شبکه عصبی الگوهایی از برنامه‌نویسی هستند که برای یادگیری از عملکرد مغز الهام می‌گیرند. نوعی از یادگیری شبکه‌های عصبی یادگیری تحت نظارت نام دارد.

در این فصل می‌آموزید که شبکه‌های عصبی چیست و یادگیری عمیق چرا در حال پیشرفت است؛ بنابراین انتظار می‌رود که در انتهای این فصل بتوانید روندهایی که باعث گسترش یادگیری عمیق شده‌اند را توضیح دهید و درک کنید این تکنولوژی امروزه در کجا و به چه صورت استفاده می‌شود.

مقدمه
"05:42
شبکه عصبی چیست؟
"07:26
یادگیری نظارت شده با شبکه عصبی
"08:39
چرا یادگیری عمیق
"10:31
در مورد این دوره
"02:37
منابع این دوره
"02:05
مصاحبه با Geoffrey Hinton
"40:32
آزمون فصل اول
100.0%
     
"10:00
فصل دوم: شبکه عصبی پایه
01:26 ساعت
01:26
Combined Shape Created with Sketch. 10 جلسه
بارم:
0%
نمایش جلسات فصل  

این فصل به آموزش شبکه‌های عصبی می‌پردازد. در این فصل با مفاهیم اساسی این تکنولوژی از جمله طبقه‌بندی باینری، رگرسیون لجستیک و تابع هزینه آن، گرادیان کاهشی، بردارها و غیره آشنا می‌شوید.

بنابراین در انتهای فصل شما خواهید توانست یک مشکل یادگیری ماشین را با ذهنیت شبکه عصبی حل کنید. همچنین می‌توانید از بردارسازی برای سرعت بخشیدن به مدل‌های خود بهره ببرید.

دسته‌بندی دوتایی
"08:33
Logistic Regression
"06:09
تابع هزینه برای Logistic Regression
"08:21
گرادیان نزولی
"11:33
مشتقات
"07:20
مثال‌های بیشتر از مشتقات
"10:37
گراف محاسباتی
"03:43
مشتقات با استفاده از گراف محاسباتی
"14:44
گرادیان نزولی logistic regression
"06:52
گرادیان نزولی روی یک مثال
"08:10
فصل چهارم: شبکه عصبی سطحی
04:01 ساعت
01:51
Combined Shape Created with Sketch. 14 جلسه
بارم:
25%
نمایش جلسات فصل  

شبکه‌های عصبی کم‌عمق تنها از یک یا دولایه پنهان تشکیل شده‌اند. درک یک شبکه عصبی کم‌عمق این بینش را به ما در فهم این‌که داخل یک شبکه عصبی چه می‌گذرد، کمک می‌کند. ازاین‌رو این فصل به آموزش شبکه‌های عصبی کم‌عمق اختصاص یافته است.

در این فصل با نمای کلی شبکه‌های عصبی، نمایندگی شبکه‌های عصبی، محاسبه خروجی یک شبکه عصبی، توابع فعال‌ساز و مشتقات آن‌ها و سایر مباحث مرتبط آشنا می‌شوید.

مروری بر شبکه‌های عصبی
"04:36
نمایش شبکه‌ عصبی
"05:24
محاسبه خروجی شبکه عصبی
"10:08
برداری کردن(vectorizing) چند مثال
"09:15
توضیحی بر پیاده سازی برداری شده(Vectorized Implementation)
"07:47
تابع فعالساز
"11:06
چرا به توابع فعالساز غیر خطی لازم است؟
"05:46
مشتثات تابع فعالساز
"08:07
گرادیان نزولی در شبکه عصبی
"10:07
Backpropagation
"15:58
مقداردهی اولیه‌ تصادفی
"08:07
مصاحبه با Ian Goodfellow
"15:05
آزمون فصل چهارم
40.0%
     
"10:00
پروژه دوم – پیاده سازی شبکه عصبی با یک لایه مخفی

 (الزامی)

60.0%
     
'02:00
فصل پنجم: شبکه عصبی عمیق
05:15 ساعت
01:05
Combined Shape Created with Sketch. 11 جلسه
بارم:
40%
نمایش جلسات فصل  

این فصل به آموزش شبکه‌های عصبی عمیق می‌پردازد. روش انتشار روبه‌جلو و پس انتشار در شبکه عمیق، بلوک‌های سازنده شبکه‌های عمیق عصبی، پارامترها و هایپر پارامترها (Hyperparameters) و غیره از مباحث مطرح در این فصل است. 

همچنین در این فصل می‌آموزید که این شبکه‌ها با مغز چه ارتباطی دارند. در انتهای فصل انتظار می‌رود که شما بتوانید محاسبات کلیدی زیربنایی یادگیری عمیق را درک کرده، از آن‌ها برای ساخت و آموزش شبکه عصبی عمیق استفاده کنید و آن را در بینایی کامپیوتر به کار ببرید.

شبکه عصبی L لایه عمیق
"06:01
forward propagation در شبکه عصبی عمیق
"07:25
ایجاد صحیح ابعاد ماتریس
"11:20
چرا نمایش عمیق
"10:43
ساخت بلوک های شبکه عصبی عمیق
"08:43
Forward and Backward Propagation
"10:39
پارامترها در برابر هایپرپارامترها
"07:26
این مباحث چه ارتباطی با مغز دارد
"03:27
آزمون فصل پنجم
25.0%
     
"10:00
پروژه سوم – ایجاد شبکه عصبی قدم به قدم

 (الزامی)

37.5%
     
'02:00
پروژه چهارم – کاربرد شبکه های عصبی عمیق

 (الزامی)

37.5%
     
'02:00

تالار گفت‌وگو

استاد دوره
Andrew Ng Andrew Ng

اندرو ان جی استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین بنیان‌گذار کورسرا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا هست.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه‌های پژوهش او هوش مصنوعی و علوم رباتیک است.

اطلاعات بیشتر
درباره گواهینامه
مکتب‌خونه مکتب‌خونه
حد نصاب قبولی در دوره:
75.0 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره آموزش شبکه عصبی و یادگیری عمیق (Andrew Ng)

دوره آموزش یادگیری عمیق و شبکه عصبی اولین دوره از مجموعه تخصص یادگیری عمیق اندرو بوده و از معرفی و توضیح مبانی این دو علم شروع می‌کند و رفته رفته سطح مباحث آموزشی را ارتقا می‌دهد. پس از آموزش مقدماتی با شبکه‌های عصبی کم‌عمق و سپس عمیق آشنا می‌شوید و انتظار می‌رود که بتوانید آن‌ها را در عمل به کار ببرید. 

برای شرکت در دوره آموزش دیپ‌لرنینگ و شبکه عصبی بهتر است به حداقل یک زبان برنامه‌نویسی تسلط داشته باشید. همچنین توصیه می‌شود ابتدا مهارت‌ها و دانش‌های زیر را فرا بگیرید:

  • آشنایی با علم ریاضیات در حوزه‌های جبر، هندسه و غیره
  • تسلط بر زبان‌های برنامه‌نویسی پایتون یا R
آموزش یادگیری ماشین
اطلاعات بیشتر

ویژگی‌های دوره آموزش شبکه عصبی و یادگیری عمیق (Andrew Ng)

Combined Shape1 Created with Sketch. گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

 

مشاهده نمونه گواهینامه

خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد. 

 

مشاهده اطلاعات بیشتر

نظرات  (1 نظر)

مسلم
11:46 - 1400/03/23
کاربر‌ سایت
یکم بی کیفیت هست ولی عالیه

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.
اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.
آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: مقدمه‌ای بر یادگیری عمیق
01:27 ساعت
01:17
Combined Shape Created with Sketch. 8 جلسه
بارم:
10%
نمایش جلسات فصل  

برای شروع آموزش deep learning ابتدا بهتر است بدانید که شبکه عصبی چیست. همان‌طور که گفتیم شبکه عصبی الگوهایی از برنامه‌نویسی هستند که برای یادگیری از عملکرد مغز الهام می‌گیرند. نوعی از یادگیری شبکه‌های عصبی یادگیری تحت نظارت نام دارد.

در این فصل می‌آموزید که شبکه‌های عصبی چیست و یادگیری عمیق چرا در حال پیشرفت است؛ بنابراین انتظار می‌رود که در انتهای این فصل بتوانید روندهایی که باعث گسترش یادگیری عمیق شده‌اند را توضیح دهید و درک کنید این تکنولوژی امروزه در کجا و به چه صورت استفاده می‌شود.

مقدمه
"05:42
شبکه عصبی چیست؟
"07:26
یادگیری نظارت شده با شبکه عصبی
"08:39
چرا یادگیری عمیق
"10:31
در مورد این دوره
"02:37
منابع این دوره
"02:05
مصاحبه با Geoffrey Hinton
"40:32
آزمون فصل اول
100.0%
     
"10:00
فصل دوم: شبکه عصبی پایه
01:26 ساعت
01:26
Combined Shape Created with Sketch. 10 جلسه
بارم:
0%
نمایش جلسات فصل  

این فصل به آموزش شبکه‌های عصبی می‌پردازد. در این فصل با مفاهیم اساسی این تکنولوژی از جمله طبقه‌بندی باینری، رگرسیون لجستیک و تابع هزینه آن، گرادیان کاهشی، بردارها و غیره آشنا می‌شوید.

بنابراین در انتهای فصل شما خواهید توانست یک مشکل یادگیری ماشین را با ذهنیت شبکه عصبی حل کنید. همچنین می‌توانید از بردارسازی برای سرعت بخشیدن به مدل‌های خود بهره ببرید.

دسته‌بندی دوتایی
"08:33
Logistic Regression
"06:09
تابع هزینه برای Logistic Regression
"08:21
گرادیان نزولی
"11:33
مشتقات
"07:20
مثال‌های بیشتر از مشتقات
"10:37
گراف محاسباتی
"03:43
مشتقات با استفاده از گراف محاسباتی
"14:44
گرادیان نزولی logistic regression
"06:52
گرادیان نزولی روی یک مثال
"08:10
فصل چهارم: شبکه عصبی سطحی
04:01 ساعت
01:51
Combined Shape Created with Sketch. 14 جلسه
بارم:
25%
نمایش جلسات فصل  

شبکه‌های عصبی کم‌عمق تنها از یک یا دولایه پنهان تشکیل شده‌اند. درک یک شبکه عصبی کم‌عمق این بینش را به ما در فهم این‌که داخل یک شبکه عصبی چه می‌گذرد، کمک می‌کند. ازاین‌رو این فصل به آموزش شبکه‌های عصبی کم‌عمق اختصاص یافته است.

در این فصل با نمای کلی شبکه‌های عصبی، نمایندگی شبکه‌های عصبی، محاسبه خروجی یک شبکه عصبی، توابع فعال‌ساز و مشتقات آن‌ها و سایر مباحث مرتبط آشنا می‌شوید.

مروری بر شبکه‌های عصبی
"04:36
نمایش شبکه‌ عصبی
"05:24
محاسبه خروجی شبکه عصبی
"10:08
برداری کردن(vectorizing) چند مثال
"09:15
توضیحی بر پیاده سازی برداری شده(Vectorized Implementation)
"07:47
تابع فعالساز
"11:06
چرا به توابع فعالساز غیر خطی لازم است؟
"05:46
مشتثات تابع فعالساز
"08:07
گرادیان نزولی در شبکه عصبی
"10:07
Backpropagation
"15:58
مقداردهی اولیه‌ تصادفی
"08:07
مصاحبه با Ian Goodfellow
"15:05
آزمون فصل چهارم
40.0%
     
"10:00
پروژه دوم – پیاده سازی شبکه عصبی با یک لایه مخفی

 (الزامی)

60.0%
     
'02:00
فصل پنجم: شبکه عصبی عمیق
05:15 ساعت
01:05
Combined Shape Created with Sketch. 11 جلسه
بارم:
40%
نمایش جلسات فصل  

این فصل به آموزش شبکه‌های عصبی عمیق می‌پردازد. روش انتشار روبه‌جلو و پس انتشار در شبکه عمیق، بلوک‌های سازنده شبکه‌های عمیق عصبی، پارامترها و هایپر پارامترها (Hyperparameters) و غیره از مباحث مطرح در این فصل است. 

همچنین در این فصل می‌آموزید که این شبکه‌ها با مغز چه ارتباطی دارند. در انتهای فصل انتظار می‌رود که شما بتوانید محاسبات کلیدی زیربنایی یادگیری عمیق را درک کرده، از آن‌ها برای ساخت و آموزش شبکه عصبی عمیق استفاده کنید و آن را در بینایی کامپیوتر به کار ببرید.

شبکه عصبی L لایه عمیق
"06:01
forward propagation در شبکه عصبی عمیق
"07:25
ایجاد صحیح ابعاد ماتریس
"11:20
چرا نمایش عمیق
"10:43
ساخت بلوک های شبکه عصبی عمیق
"08:43
Forward and Backward Propagation
"10:39
پارامترها در برابر هایپرپارامترها
"07:26
این مباحث چه ارتباطی با مغز دارد
"03:27
آزمون فصل پنجم
25.0%
     
"10:00
پروژه سوم – ایجاد شبکه عصبی قدم به قدم

 (الزامی)