×
ribbon

آموزش یادگیری عمیق

مدرس:

امیرعلی ذیجودی

دوره آموزش یادگیری عمیق با هدف آشنایی کامل هنرجو با مفاهیم پایه تا مباحث پیشرفته طراحی شده است.... بیشتر
محبوب کاربران
گواهی‌نامه
4.9 (14)
3 دیدگاه
340دانشجو
7ساعت
سرفصل‌ها
متوسط سطح دوره
بروزرسانیاردیبهشت ۱۴۰۵

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

آشنایی با شبکه‌های عصبی، پرسپترون و پرسپترون چندلایه(MLP)

پیاده‌سازی شبکه‌های چندلایه، آشنایی با توابع فعال‌ساز و زیان، روش های جلوگیری از بیش برازش و روش‌های بهینه‌سازی

آشنایی با معماری RNN ،CNN و LSTM برای پردازش تصویر، توالی و متن

آشنایی با مباحث پیشرفته GAN، Autoencoders، Attention، BERT و یادگیری انتقالی

این دوره شامل:

7 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

3 فصل10 جلسه7 ساعت ویدیو
مقدمه-شبکه عصبی
  شبکه عصبی و مدل پرسپترون
58:29
  توابع فعالساز و زیان
35:31
  بهینه سازی و تنظیم مدل
64:33
پردازش تصویر
  شبکه‌های عصبی پیچشی یا کانولوشنی (CNN)
29:36
  یادگیری انتقالی (Transfer Learning)
43:25
  شبکه‌های خودرمزگذار (Autoencodes)
56:09
  شبکه‌های مولد تخاصمی (GANs)
32:56
پردازش توالی‌ها و معماری‌های پیشرفته
  شبکه‌های عصبی بازگشتی (RNN) و LSTM
43:11
  مکانیسم توجه و ترنسفورمرها (Attention)
35:00
  معماری BERT
25:10

پیش‌نیاز‌ها

آشنایی مقدماتی با مباحث یادگیری ماشین باعث درک بهتر مطالب این دوره می‌شود.

گرچه مطالب مورد نیاز از یادگیری ماشین در طول دوره مرور می‌شود.

توضیحات دوره

دوره آموزش یادگیری عمیق با هدف آشنایی کامل هنرجو با مفاهیم پایه تا مباحث پیشرفته طراحی شده است. در این دوره ابتدا مروری بر اصول شبکه‌های عصبی و مدل‌های پرسپترون و جداسازی خطی ارائه می‌شود و سپس به سراغ شبکه‌های عصبی چندلایه، انواع توابع فعال‌ساز و توابع زیان، و روش‌های بهینه‌سازی می‌رویم. در ادامه، معماری‌های مهمی مانند شبکه‌های عصبی کانولوشنی (CNN)، شبکه‌های عصبی بازگشتی و مدل‌های LSTM برای پردازش توالی و متن آموزش داده می‌شود.

همچنین مباحث پیشرفته‌تری مانند شبکه‌های مولد تخاصمی (GAN)، یادگیری انتقالی، خودرمزگذارها (Autoencoders) و معماری‌های مبتنی بر Attention و مدل BERT به‌صورت کاربردی بررسی می‌شوند. این دوره دانشجویان را برای درک عمیق، پیاده‌سازی و به‌کارگیری مدل‌های یادگیری عمیق در مسائل واقعی آماده می‌کند.

دیدگاه کاربران

4.9

بر اساس امتیاز 14 دانشجو

1
2
3
4
5

دانشجوی دوره

7 روز پیش

5

EXCELLENT

محمدسپهر شفیعی جاه

1 ماه پیش

5

عالی.

سینا ماهوری

7 روز پیش

4

خوب بود

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
امیرعلی ذیجودیدانشجوی دکتری مهندسی صنایع
2دوره
406دانشجو
21نظر و امتیاز

امیرعلی ذیجودی دانشجوی دکتری مهندسی صنایع در دانشگاه تربیت مدرس است. او دارای کارشناسی ارشد مهندسی صنایع، گرایش بهینه‌سازی سیستم‌ها از دانشگاه علم و صنعت و کارشناسی مهندسی صنایع از دانشگاه خوارزمی تهران می‌باشد.

از سوابق و زمینه‌های فعالیت تخصصی ذیجودی می‌توان به موارد زیر اشاره کرد:

- تدریس نرم‌افزار GAMS در دانشگاه خوارزمی
- تدریس دوره‌های پایتون، بهینه‌سازی با پایتون و یادگیری عمیق

- علاقمندی به مباحث برنامه ریزی غیر قطعی و تدریس الگوریتم ال -شکل
- علاقه‌مندی به حوزه مدیریت زنجیره تامین و لجستیک

ذیجودی با تکیه بر دانش آکادمیک و تسلط بر ابزارهای بهینه‌سازی و برنامه‌نویسی، دوره‌های خود را برگزار می‌کند.

مهارت‌هایی که می‌آموزید