×
ribbon

آموزش رایگان یادگیری عمیق کاربردی

«یادگیری عمیق» به عنوان یکی از روش‌­های «یادگیری ماشین» شناخته می­‌شود. در یادگیری عمیق سعی می‌کنیم تا فعالیت ماشین‌­ها - سیستم­‌های کامپیوتری - را براساس شبیه‌­سازی سیستم عصبی انسان برنامه‌­ریزی کنیم. به این جهت می‌­توانیم ... ادامه

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
3.1 (13 رای)
 رایگان
  
زمان مورد نیاز برای گذارندن دوره:  32 جلسه
مجموع محتوای آموزشی:  10 ساعت ویدئو
 (قابل دانلود می‌باشد)

پیش‌نیاز‌ها

اصلی­‌ترین پیش­‌نیاز این دوره آشنایی کلی با مفاهیم مربوط به یادگیری ماشین است. به‌طورکلی در این دوره سعی شده تا مفاهیم به ساده‌­ترین شکل و با لحنی روان بیان شوند، اما برای استفاده کامل از مطالب ارائه شده آشنایی با مفاهیم اولیه ضروری به نظر می‌­­رسد.

سرفصل‌های دوره آموزش رایگان یادگیری عمیق کاربردی

فصل اول: آشنایی مقدماتی با پایتون و محیط‌های مختلف اجرای برنامه
  مقدمه‌ای بر پایتون
"46:05  
  متغیرها در پایتون
"16:24  
  آشنایی با محیط Google Colab
"26:18  
  بارگذاری دیتاست در محیط Google Colab
"30:58  
  نصب PyCharm
"10:47  
  برنامه‌نویسی در محیط دستگرمی (Playground) PyCharm
"15:53  
  آشنایی با کتابخانه‌های TensorFlow و Numpy در محیط Colab
"22:25  
  آشنایی با مفهوم environment و نصب با pip
"06:00  
فصل دوم (اختیاری): آماده‌سازی سخت‌افزار و نرم‌افزار مبتنی بر GPU
  سازگاری مادربورد با GPU
"02:35  
  اتصال همزمان دو پاور به کامپیوتر برای تغذیه GPU
"08:02  
  نصب TensorFlow سازگار با GPU در ویندوز - قسمت اول
"14:54  
  نصب TensorFlow سازگار با GPU در ویندوز - قسمت دوم
"09:32  
  اتصال GPU به لپتاپ
"07:03  
  نصب TensorFlow سازگار با GPU در لینوکس
"16:14  
  نصب TensorFlow سازگار با GPU در R-Studio
"10:17  
فصل سوم: آشنایی با مفاهیم پایه
  آشنایی با رگرسیون لجستیک به عنوان پایه‌ی شبکه‌های عصبی
"29:15  
  مفهوم Backpropagation در رگرسیون لجستیک
"31:10  
  برداری‌سازی Backpropagation در رگرسیون لجستیک
"13:55  
  تعریف شبکه عصبی به عنوان تعمیمی از رگرسیون لجستیک
"34:54  
  پیدا کردن Backpropagation در شبکه عصبی
"26:16  
  مفاهیم شبکه عصبی عمیق
"31:44  
  طبقه‌بندی کلی یادگیری عمیق
"13:10  
  شبکه‌های عصبی کانولوشنی
"26:52  
  برخی تعاریف مرتبط: FP, FN, TP, TN، منحنی‌های ROC, PR
"44:13  
فصل چهارم: آشنایی با چند شبکه معروف
  کار با شبکه VGG
"16:43  
  کار با شبکه ResNEet
"11:12  
  مثال تبدیل صوت به اسپکتوگرام
"10:02  
  آشنایی با شبکه YOLO
"21:03  
  یادگیری عمیق در متلب
"11:26  
  کار با شبکه AlexNet
"10:29  
  آشنایی با Autoencoder
"33:54  
  آشنایی با LSTM
"15:30  

درباره دوره

«یادگیری عمیق» به عنوان یکی از روش‌­های «یادگیری ماشین» شناخته می­‌شود. در یادگیری عمیق سعی می‌کنیم تا فعالیت ماشین‌­ها - سیستم­‌های کامپیوتری - را براساس شبیه‌­سازی سیستم عصبی انسان برنامه‌­ریزی کنیم. به این جهت می‌­توانیم یادگیری عمیق را مدلی بدانیم که بر اساس سیستم عصبی انسان شبیه‌سازی شده است. استفاده از یادگیری عمیق این قابلیت را در سیستم به وجود می‌­آورد که ماشین - سیستم کامپیوتری - بتواند در هر موقعیت تصمیماتی مشابه تصیمات مغز انسان ارائه کند.

یادگیری عمیق در بسیاری از فعالیت­‌های روزمره ما می­‌تواند کاربردی و موثر باشد، اما برای داشتن مثال می­‌توانیم به مواردی همچون بات‌­های چت، ترجمه، تشخیص چهره و ... اشاره کرد.

 

در دوره آموزش رایگان یادگیری عمیق کاربردی چه مباحثی را یاد می‌گیرید؟

در دوره آموزش رایگان یادگیری عمیق کاربردی با موارد گسترده‌­ای آشنا خواهید شد. از آشنایی با مفاهیم اولیه گرفته تا جدیدترین و پیچیده‌­ترین مسائل مربوط به این چهارچوب در این دوره گنجانده شده است. به طور مشخص مباحث این دوره به صورت زیر تعریف شده است:

  • معرفی دوره و پیش‌­نیازها (پایتون، آشنایی مقدماتی با مفاهیم یادگیری ماشین)
  • معرفی یادگیری عمیق (یادگیری عمیق چیست و مثال­‌هایی کاربردی از یادگیری عمیق)
  • آشنایی با سخت­‌افزارهای قابل استفاده و نحوه اتصال آن‌ها به نرم‌افزار
  • آشنایی با نرم‌­افزارها و محیط برنامه­‌نویسی Google Colab 
  • آشنایی با مفاهیمی همچون گرادیان، تابع هزینه، تابع فعال­‌سازی، توابع بهینه­‌ساز، forward propagation، back propagation و اجزای اصلی معماری­‌های شبکه عمیق
  • معرفی کتابخانه Tensorflow و Keras در پایتون
  • شبکه کانولوشنی و کاربردهای آن (پیاده‌سازی مفهومی کانولوشن در پایتون، معرفی Conv2D در Tensorflow)
  • معرفی پایگاه دادگان معروف برای پروژه‌های مختلف
  • آشنایی با مفاهیم طبقه‌­بندی، تشخیص اشیا و بازشناسایی و بخش‌­بندی تصویر
  • بررسی معماری شبکه‌های Googlenet و VGGNet
  • بررسی معماری شبکه‌های Resnet
  • بررسی معماری شبکه‌های RNN و LSTM
  • آموزش Pytorch
  • معرفی معماری شبکه R-CNN، Fast R-CNN ، Faster R-CNN
  • معرفی معماری مجموعه شبکه‌های YOLOv1- YOLOv5
  • معرفی معماری شبکه GAN ، انواع آن و کاربردها
  • بررسی مشکلات در پروژه‌­های عملی یادگیری عمیق
  • بررسی تکنیک­‌های استخراج بهترین نتایج در حل مسائل

 

دوره آموزش رایگان یادگیری عمیق کاربردی برای چه کسانی مناسب است؟

مطالب این دوره به شما در راه آموزش یادگیری عمیق کمک فراوانی خواهد کرد و برای همه افرادی که به نحوی علاقه­‌مند به یادگیری ماشین هستند مناسب خواهد بود.

 

** دوره در حال تکمیل است

درباره استاد

maktabkhooneh-teacher جواد کاظمی‌تبار

سید جواد کاظمی تبار برنده مدال نقره کشوری در المپیاد سال ۱۳۷۷ و نفر سوم کنکور سراسری در سال ۱۳۷۸، مدارک کارشناسی و دکتری خود را در رشته برق و کامپیوتر به ترتیب در دانشگاه صنعتی شریف (۱۳۸۲) و دانشگاه کالیفرنیا در شهر ارواین (۱۳۸۷) دریافت نمود. وی در سال ۱۳۹۱ و به هنگام کار در شرکت Guardian Analytics با روش‌های داده‌کاوی در کشف تقلب‌های بانکی آشنا گردید. در همان شرکت بود که وی موفق به اخذ گواهینامه امنیت +Comptia Security گردید. مطالعه کتاب‌ها و دوره‌های انجمن بازرسان تقلب گواهی شده وی را با انواع تقلب در صنایع بیمه، بانک و بورس اوراق بهادار آشنا نمود. وی پس از بازگشت به ایران و از سال ۱۳۹۴ عضو هیئت‌علمی دانشگاه و مشاور شرکت‌های نرم‌افزاری همچون توسن و سان بوده است.

مشاهده پروفایل و دوره‌‌های استاد
maktabkhooneh-teacher عاطفه عطائی

عاطفه عطایی فارغ‌التحصیل دانشگاه نوشیروانی بابل در گرایش مهندسی مخابرات سیستم هستند. از سال ۱۳۹۷ باتوجه‌به علاقه در حوزه بینایی ماشین به مطالعه و پژوهش در این حوزه پرداخته و در زمینه‌های پردازش صوت، تصویر و ویدئو پژوهش‌های مختلفی انجام داده است. ایشان در حال حاضر در یک شرکت معتبر در این حوزه در ایران مشغول به فعالیت هستند.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران  ( نظر)

صفحه 1 از
1402-06-28
با سلام و خسته نباشیدخدمت استادان محترم، این دوره بسیار مفید و شامل نکات مهم و کلیدی است به همین علت از دو استاد محترم دوره تشکر و به آنها خسته نباشید میگویم.
علی محمدی 1401-02-13
درود و سپاس از زحمات استاد و تیم پرتلاش مکتب‌خونه. هنوز دوره رو نگذروندم، اما تیزر رو نگاه کردم. متاسفانه تیزر بسیار پراکنده هست و هیچ توضیح مشخصی دربارهٔ محتوای دوره ارائه نمی‌ده. در چند ثانیه پایانی تیزر در مورد نصب دو پاورساپلای به صورت همزمان بر روی کامپیوتر صحبت می‌شه که اگر چه آموزنده بود اما هیچ ربطی به مباحث این دوره نداشت. بسیار عجیب بود برام. در ضمن من هنوز دوره رو ندیدم و این موضوع که برای ثبت نظر باید حتما امتیاز مشخص کنم خوب نیست. بالاجبار برای ثبت نظرم امتیاز میانگین رو ثبت می‌کنم.
محسن رحمانی 1401-03-16
با تشکر از زحمات ولی ودیو ها بهم ریخته است و ترتیب درست نیست در ضمن مباحث ناقصه توضیحات ناکافی
مکتب‌خونه
همراه عزیز؛ ضمن تشکر از اطلاع رسانی شما، موارد مطرح شده جهت بررسی به واحد مربوطه انتقال داده شد. همچنین این دوره در دست ساخت می باشد و هر زمان که ویدئوها در اختیار ما قرار داده شود آن ها را بارگذاری خواهیم کرد.
1401-05-16
باسلام و ادب این دوره اصلا در حد آموزش هایی که از مکتبخونه انتظار میرود نیست مطالب پراکنده و توضیحات سطحی و بیان نامناسب و ناکافی
علی 1401-04-25
با سلام و عرض خسته نباشید، این دوره مطالبش بهم ریخته است و همچنین توضیحات اصلا کافی نیستند و اصلا دوره ای نیست که بخواهم به دیگران پیشنهاد کنم زیرا تدریس بدرستی صورت نگرفته چه از لحاظ طبقه بندی مطالب چه از لحاظ توضیحات
مکتب‌خونه
همراه عزیز؛ با سپاس از نظر شما، موارد مطرح شده جهت بررسی به بخش مربوطه ارسال شد. در صورت نیاز به پیگیری بیشتر با شما در ارتباط خواهیم بود.

دوره‌های پیشنهادی

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.

سوالات پرتکرار

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.

سوالات پرتکرار

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.
صفحات پربازدید
poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  32 جلسه
مجموع محتوای آموزشی:  10 ساعت ویدئو
 (قابل دانلود می‌باشد)