00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به تمام جلسات دوره
  • دسترسی به تمام جلسات دوره
  • اضافه شدن دوره به پروفایل
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD

آموزش رایگان یادگیری عمیق با پایتون

دوره‌های رایگان
7 جلسه
97٪ (596 رای)

یادگیری عمیق (Deep Learning) که همچنین به عنوان یادگیری ساختار یافته عمیق یا یادگیری سلسله مراتبی نیز شناخته می‌شود، زیرمجموعه‌ای از یادگیری ماشین است. این دوره آموزش یادگیری عمیق با پایتون با هدف آموزش عملی این ترند جذاب در مکتب خونه ارائه شده که در ادامه به معرفی این دوره آموزش خواهیم پرداخت و در بخش بیشتر بدانید اطلاعات کاملی را از یادگیری عمیق ارائه خواهیم کرد.

هدف از برگزاری دوره آموزش یادگیری عمیق با پایتون چیست؟

دوره آموزش رایگان یادگیری عمیق با پایتون به‌منظور آموزش اصول پایه‌ای یادگیری عمیق و استفاده از این اصول در زمینه‌های مختلف یادگیری عمیق مخصوصاً vision computer تهیه و تدوین شده است. این دوره آموزشی به‌صورت مرحله‌به‌مرحله و با استفاده از مثال‌های کاربردی شما را با مفاهیم زیر آشنا خواهد کرد.

سرفصل‌های دوره دیپ لرنینگ با پایتون

سرفصل‌های دوره آموزش یادگیری عمیق با پایتون به صورت زیر خواهد بود:

  • مقدمه‌ای بر یادگیری عمیق و معرفی library استفاده‌شده در این دوره
  • شبکه‌های عصبی (Neural networks) و نحوه پیاده‌سازی آن‌ها در PyTorch
  • آشنایی با مفهوم تنسور و نحوه کار کردن با آن‌ها در PyTroch
  • فرایند طراحی و استفاده از مدل‌های deep learning
  • آشنایی با روش stochastic gradient descent و نحوه پیاده‌سازی آن در PyTorch
  • آشنایی با convolutional neural networks (CNNs)
  • نحوه طراحی و train کردن یک مدل تشخیص عکس در PyTorch و fastai

دوره آموزش رایگان یادگیری عمیق با پایتون برای چه کسانی مناسب است؟

این دوره آموزش یادگیری عمیق با پایتون نقطه شروع بسیار خوبی برای افرادی است که هیچ تجربه‌ای در این زمینهٔ ندارند و تصمیم به شروع آموزش این مبحث گرفته‌اند. برای استفاده از مطالب ارائه‌شده در این دوره نیاز به دانش ریاضیات چندانی نیست اما بهتر است که تا حدودی با برنامه‌نویسی پایتون آشنایی داشته باشید.

همچنین این دوره آموزشی به دانشجویان رشته‌های مهندسی کامپیوتر در دو گرایش هوش مصنوعی و نرم‌افزار بسیار کمک خواهد کرد تا مفاهیم را به شکل حرفه‌ای‌تری برای انجام پروژه‌های دانشگاهی و درسی یاد بگیرند.

تمایز دوره آموزش یادگیری عمیق با پایتون با سایر دوره‌ها

اصلی‌ترین ویژگی متمایزکننده این دوره با سایر دوره‌های موجود در این است که مدرس این دوره برای توضیح مفاهیم اساسی یادگیری ماشین از مثال‌های کاربردی استفاده می‌کند و در ادامه مفاهیم ریاضی مربوط به آن‌ها را مطرح می‌کند. با استفاده از این روش مخاطب طی استفاده از چند ویدئو اول این دوره آموزش یادگیری عمیق با پایتون با چگونگی طراحی مدل‌های نسبتاً پیشرفته و تکنیک‌های مورداستفاده برای پیاده‌سازی این مدل‌ها آشنا می‌شود و مفاهیم ریاضی را نیز با توجه ‌به کاربرد آن‌ها بهتر و عمیق‌تر درک خواهد کرد.

منابع مورد استفاده در دوره آموزش Deep Learning

منبعی که برای آموزش این دوره یادگیری عمیق با پایتون مورد استفاده قرار گرفته، علاوه بر اطلاعات مدرس دوره، منبع زیر بوده است:

  • Howard, Jeremy, and Sylvain Gugger. Deep Learning for Coders with fastai and PyTorch. O'Reilly Media, 2020.

سرفصل‌های دوره آموزش رایگان یادگیری عمیق با پایتون

استاد دوره
سروش حیدری پهلویان سروش حیدری پهلویان

دکتر سروش پهلویان دانش‌آموخته رشته مهندسی مکانیک از دانشکده فنی دانشگاه تهران در مقطع کارشناسی و کارشناسی ارشد است. وی تحصیلات و پژوهش‌های تکمیلی در مقطع PhD و Post-doc را در دانشگاه‌های اکرون و USC در آمریکا به اتمام رسانده و هم‌اکنون به‌عنوان research scientist در یک شرکت نرم‌افزاری در حوزه تصویربرداری و پردازش تصاویر پزشکی (MIM Software) در ایالت اوهایو مشغول به فعالیت است. 

تجربه سروش در برنامه‌نویسی از زمان تحصیلش در دانشگاه تهران و کارکردن روی پروژه‌های پژوهشی در حوزه دینامیک سیالات محاسباتی (CFD) شروع شد. بااین‌وجود، تمرکز اصلی وی بعد از اتمام تحصیلاتش در ایران، توسعه الگوریتم‌ها و نرم‌افزار‌های نوین جهت آنالیز و پردازش تصاویر رادیولوژی بوده است. فعالیت و مشارکت سروش در پروژه‌های مختلفِ آکادمیک و صنعتی در حوزه یادگیری ماشینی (machine learning) و یادگیری عمیق (deep learning) به وی کمک کرده که بتواند تجربه حرفه‌ای گسترده‌ای را در این زمینه‌ها کسب کند.

درباره برگزارکننده
مکتب‌خونه مکتب‌خونه

نظرات  (22 نظر)

صفحه 

از 

3

رضا
21:23 - 1401/08/21
کاربر‌ سایت
عالی بود. تسلط استاد بر روی مباحث تدریسی بسیار بالاست و فن بیان بسیار خوبی دارند. بی صبرانه منتظر دیدن ادامه ویدئوهای آموزشی از دکتر سروش پهلویان عزیز هستم.
کاربر مکتب‌خونه
19:39 - 1401/07/30
کاربر‌ سایت
بی نظیر تدریس میکنه ، واقعا ی دنیا ممنون 😍🌹🙏🏻
سید امین
14:48 - 1401/05/23
کاربر‌ سایت
استاد اگه ممکن است یک فیلم در مورد one shot learning ضبط کنید . باتشکر از زحمات شما
کاربر مکتب‌خونه
12:19 - 1401/04/22
کاربر‌ سایت
از زحمات مدرس و مکتب خانه بسيار سپاسگزارم و در اين تايم كم، عالی است. كاور كلی مطالب wide و مناسب است. شيوه ي تدريس جذاب و عالی. دو پيشنهاد: 1- كدهاي جلسات شش و هفت هم در گيت-هاب قرار دهيد. 2- ايراد کوچکی كه حس ميشه: flow كدها كمي نامشخص است و يهو يك بلاك جديد نوشته ميشود. شايد بهتر باشه اول يك overview از همه ی گام ها (كاملا end-to-end)، نيز متغييرهای موجود (يا مورد نياز) همراه با نوع مورد نيازشان، شبيه به يك سودوكد اوليه، گفته شود. بعد هر بلاك ازين سودوكد تكميل شود. اينطوري كمتر متغييرهاي غيرضروري و يا با نام تكراري استفاده ميشه. مجددا سپاس. آرزوي موفقيت.
کاربر مکتب‌خونه
12:56 - 1401/04/21
کاربر‌ سایت
کلاس خیلی جذاب و کاربردی بود. مشتاق دیدن جلسه های آینده هستم
آذر
13:27 - 1401/03/17
کاربر‌ سایت
خیلی عالی بود ممنونم. آیا جلسات ادامه داره یا فقط همین 7 جلسه هست؟؟ من کتاب مرجع رو دارم و حجم مطالبش خیلی بیشتره. خیلی مشتاقم ادامه آموزش رو ببینم.
پشتیبانی مکتب‌خونه
همراه عزیز؛ این دوره در دست ساخت می باشد و هر زمان که ویدئوها در اختیار ما قرار داده شود آن ها را بارگذاری خواهیم کرد.
مهدی
21:31 - 1401/03/13
کاربر‌ سایت
دکتر خیلی عالی بود
حسن
08:57 - 1401/02/26
کاربر‌ سایت
یکی از بهترین دوره های فارسی برای شروع یادگیری عمیق. مدرس از درک و سواد بالایی برخوردار هستند.
کاربر مکتب‌خونه
13:36 - 1401/02/24
کاربر‌ سایت
عالی بود ممنون
کاربر مکتب‌خونه
15:58 - 1401/01/09
کاربر‌ سایت
تدریس بسیار عالی و کاربردی است واقعا خسته نباشید

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.

اطلاعات بیشتر

یادگیری عمیق چیست؟

یادگیری عمیق (Deep Learning) زیرمجموعه‌ای از یادگیری ماشین به‌حساب می‌آید که با مقادیر زیادی داده با الگوریتم‌های سروکار دارد که از ساختار و عملکرد مغز انسان الهام گرفته شده است، به همین دلیل مدل‌های یادگیری عمیق اغلب به عنوان شبکه‌های عصبی عمیق شناخته می‌شوند. دوره آموزش یادگیری عمیق با پایتون با هدف آموزش این ترند در یادگیری ماشین تهیه و تدوین شده است.

یادگیری عمیق چگونه کار می‌کند؟

در یادگیری عمیق، یک مدل کامپیوتری یاد می‌گیرد که وظایف طبقه‌بندی را مستقیماً از روی تصاویر، متن یا صدا انجام دهد. یادگیری عمیق یک کار را به طور مکرر انجام می‌دهد و برای بهبود نتیجه، کمی تغییر ایجاد می‌کند. مدل‌های یادگیری عمیق می‌توانند از عملکرد سطح انسانی فراتر بروند. مدل‌ها با استفاده از مجموعه بزرگی از داده‌های برچسب‌گذاری شده و معماری‌های شبکه عصبی که حاوی لایه‌های زیادی هستند، آموزش داده می‌شوند.

مهم‌ترین بخش یک شبکه عصبی یادگیری عمیق لایه‌ای از گره‌های محاسباتی به نام «نورون‌ها» است. هر نورون به تمام نورون‌های لایه زیرین متصل می‌شود. در یادگیری عمیق، شبکه عصبی حداقل از دو لایه پنهان استفاده می‌کند. افزودن لایه‌های پنهان محققان را قادر می‌سازد تا محاسبات عمیق‌تری را انجام دهند. همچنین توابع فعال‌ساز در این شبکه‌ها نقش غیرقابل‌انکاری را به عهده دارند.

انواع لایه‌های یادگیری عمیق:

هر شبکه عصبی در یادگیری عمیق از چندلایه تشکیل شده است که این لایه‌ها عبارت‌اند از:

1. لایه ورودی (input layer) گره‌ها اطلاعات را دریافت می‌کند و آن را به گره‌های زیرین منتقل می‌کند؛

2. لایه‌های گره پنهان (Hidden node layers) همان‌هایی هستند که محاسبات در آن ظاهر می‌شوند.

3. در لایه گره خروجی (output node layer)، نتایج محاسبات نشان داده می‌شود. در این لایه، ویژگی‌ها بر روی قالب‌ها اعمال خواهند شد.

یک شبکه عصبی عمیق می‌تواند ویژگی‌های پیچیده‌تری را در هر یک از لایه‌های متوالی ایجاد کند. در دوره آموزش یادگیری عمیق با پایتون به‌صورت عملی با نحوه کار این لایه‌ها آشنا خواهیم شد.

انواع روش‌های یادگیری عمیق

همان‌طور که ذکر شد، یادگیری عمیق (DL) که همچنین به عنوان یادگیری ساختار یافته عمیق یا یادگیری سلسله مراتبی شناخته می‌شود، زیرمجموعه‌ای از یادگیری ماشین است که بر اساس تقلید از اتصال نورون‌ها به یکدیگر برای پردازش اطلاعات در مغز انسان کار خواهد کرد. برای تقلید از این ارتباطات، DL از معماری الگوریتمی لایه‌ای معروف به شبکه‌های عصبی مصنوعی (ANN) برای تجزیه‌وتحلیل داده‌ها استفاده می‌کند. با تجزیه‌وتحلیل اینکه چگونه داده‌ها از طریق لایه‌های ANN فیلتر می‌شوند و چگونه لایه‌ها با یکدیگر تعامل دارند، یک الگوریتم DL می‌تواند همبستگی و ارتباط در داده‌ها را یاد بگیرد. رایج‌ترین شیوه‌های یادگیری عمیق که در دوره آموزش یادگیری عمیق با پایتون نیز ذکر خواهند شد، موارد زیر هستند.

شبکه‌های عصبی عمیق

شبکه عصبی عمیق (DNN) نوعی شبکه عصبی مصنوعی است، اما به دلیل اینکه عمق لایه‌های بیشتری نسبت به سایر شبکه‌های عصبی دارد، به عنوان «عمیق» طبقه‌بندی می‌شود. این لایه‌ها وظایف ترجمه ریاضی را انجام می‌دهند که به داده‌های خام اجازه می‌دهد تا به خروجی معنی‌دار ترجمه شوند.

شبکه‌های عصبی کانولوشنال

شبکه‌های عصبی کانولوشنال (CNN) نوعی از DNN هستند که برای درک داده‌های بصری استفاده می‌شوند. CNN ها تصاویر را تجزیه‌وتحلیل می‌کنند و ویژگی‌هایی را استخراج می‌کنند که می‌توانند از آن‌ها برای طبقه‌بندی تصاویر به دسته‌ها استفاده کنند. طبقه‌بندی در عرصه‌هایی مانند تصویربرداری پزشکی کاربردی کلیدی دارد، جایی که پزشک به تصویری مانند سی‌تی‌اسکن یا اشعه ایکس برای تشخیص انواع شرایط نگاه می‌کند. پیاده‌سازی یک الگوریتم CNN برای کمک به وظایف تصویربرداری پزشکی پتانسیل بهبود پشتیبانی تصمیم‌گیری بالینی و رسیدگی به مسائل مربوط به‌سلامت جمعیت را دارد.

شبکه‌های عصبی بازگشتی

شبکه‌های عصبی بازگشتی (RNN) نوع دیگری از ANN هستند که از داده‌های متوالی یا زمانی استفاده می‌کنند. آن‌ها اغلب برای مشکلات مربوط به ترجمه زبان، پردازش زبان طبیعی، تشخیص گفتار و شرح تصویر استفاده می‌شوند. برخلاف سایر شبکه‌های عصبی که ورودی‌ها و خروجی‌ها مستقل از یکدیگر هستند، RNN‌ها اطلاعات را از ورودی‌های لایه‌های قبلی می‌گیرند تا بر ورودی‌ها و خروجی‌های فعلی تأثیر بگذارند. RNN ها برای ارائه‌دهندگان مراقبت‌های بهداشتی مفید هستند تا به وظایفی مانند انتخاب گروه کارآزمایی بالینی کمک کنند. همچنین این شبکه‌ها در اینترنت اشیاء سیستم نیز بسیار کاربردی به‌حساب می‌آیند.

شبکه‌های متخاصم مولد

شبکه‌های متخاصم مولد (GAN) از دو شبکه عصبی برای تولید داده‌های مصنوعی استفاده می‌کنند که می‌توانند در جای داده‌های واقعی استفاده شوند. GAN ها معمولاً در تولید تصویر، ویدئو و صدا استفاده می‌شوند.

GAN ها به دلیل توانایی آن‌ها در تولید تصاویر MRI مصنوعی، پتانسیل زیادی برای استفاده در مراقبت‌های بهداشتی دارند. استفاده از تصاویر پزشکی برای آموزش مدل‌های هوش مصنوعی برای تشخیص و تجزیه‌وتحلیل پیش‌بینی‌کننده، چالش‌های متعددی را برای محققان ایجاد می‌کند، زیرا کیفیت آن‌ها ممکن است متفاوت باشد، احتمال دارد مشمول مقررات حفظ حریم خصوصی بیمار باشند و مجموعه داده‌های تصویر اغلب نامتعادل هستند.

چرا پایتون برای هوش مصنوعی و یادگیری ماشین مناسب است؟

ممکن است که کاربران از خود بپرسند با وجود زبان‌هایی مانند جاوا اسکریپت، سی شارپ، جاوا و غیره چرا پایتون در این ترند باید استفاده می‌شود. مهم‌ترین دلیلی که پایتون را به عنوان زبانی سطح بالا برای این هدف به بهترین انتخاب تبدیل کرده است وجود کتاب‌خانه‌های بسیار مفیدی مانند کتابخانه Tensorflow و کتاب‌خانه Pandas است. این دو کتابخانه بسیار مهم هستند ولی با این حال کتابخانه‌های بسیار زیاد دیگری نیز برای این هدف وجود دارند. همچنین سازگاری با پلتفرم‌ها و سیستم‌عامل‌های مختلف دیگر بیش‌ازپیش به محبوبیت پایتون برای برنامه نویسان در این زمینه افزوده است.

سخن پایانی

بدون شک یادگیری عمیق و کاربردهای گسترده آن یکی از ترندهای جذاب روز دنیا است که یادگیری آن به افراد کمک می‌کند با این تخصص وارد بازار کار شوند. اگر به فکر یادگیری اصولی تخصص یادگیری عمیق با پایتون هستید، هم‌اکنون با ثبت‌نام در دوره آموزش یادگیری عمیق با پایتون اولین و مهم‌ترین قدم را در این مسیر بردارید. برای آموزش یادگیری ماشین و یادگیری عمیق تنها پیش‌نیازی که خواهید داشت تسلط نسبی به پایتون است که می‌توانید از دوره‌های مرتبط آموزش پایتون مکتب خونه برای این هدف استفاده کنید.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟