آموزش جامع یادگیری عمیق (Tensorflow/keras)

این دوره با چه فریم ورک و زبان برنامه نویسی است؟ این دوره تئوری و عملی بوده و پس از بیان تئوری، هر مبحث در زبان پایتون با فریم ورک تنسورفلو (Tensorflow) و کراس (Keras) ... ادامه

ارائه دهنده:  کلاس‌ ویژن  کلاس‌ ویژن
5 (2 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  41 ساعت
مجموع محتوای آموزشی:  41 ساعت ویدئو
 (قابل دانلود می‌باشد)

آنچه در این دوره می‌آموزیم:

 طراحی و پیاده‌سازی شبکه‌های عصبی عمیق

 حل مسایل واقعی با هوش مصنوعی

 ارتقای مهارت‌های خود را در زمینه پردازش تصویر و بینایی کامپیوتر، پردازش زبان طبیعی و پردازش صوت و گفتار

 استخدام در مشاغل مرتبط با هوش مصنوعی

پیش‌نیاز‌ها

در این دوره تلاش شده تمام مباحث از پایه تدریش شود و تنها پیشنیاز این دوره پایتون می باشد.

سرفصل‌های دوره آموزش جامع یادگیری عمیق (Tensorflow/keras)

پیش نیازهای یادگیری عمیق
  مقدمه
"05:47  
  آشنایی با دوره
"08:06  
  انواع یادگیری های یادگیری ماشین - باسرپرست، بدون سرپرست، تقویتی
"15:42  
  طبقه بندی نزدیکترین همسایه
"06:25  
  کدها و نحوه اجرا در گوگل کولب
"05:42  
  پیاده سازی KNN در پایتون
"28:55  
  استفاده و لود تصویر در پایتون به عنوان داده
"20:17  
  آشنایی و پردازش داده های ارقام دست نویس فارسی
"21:04  
  طبقه بندی ارقام دست نویس فارسی
"10:25  
  رگرسیون با مدل نزدیکترین همسایه
"13:02  
  تعمیم، بیش برازش و عدم تناسب
"18:48  
  رگرسیون خطی
"13:35  
  مدلهای خطی برای طبقه بندی و روشهای جلوگیری از بیش برازش در این مدلها
"22:46  
  طبقه بندی با مدلهای خطی
"11:51  
مقدمه شبکه عصبی
  پرسپترون (یک نورون) چیست
"20:23  
  شبکه عصبی: استفاده از چندین نورون و لزوم تابع فعالیت
"24:24  
  تابع هزینه
"16:16  
  یادگیری در شبکه های عصبی: گرادیان کاهشی و پس انتشار خطا
"20:44  
  جمع بندی شبکه عصبی و نرخ یادگیری
"30:12  
  پیاده سازی در کراس و آشنایی با Softmax
"20:55  
  الگوریتم های گرادیان کاهشی: stochastic، batch و mini-batch
"21:16  
  کد کامل پایتون
"35:48  
  نقش داده validation در آموزش شبکه عصبی، لایه Flatten و پارامتر from_logits
"28:57  
  Dropout
"15:06  
  تمرین: مثال IRIS ( و اجرا در گوگل کولب)
"24:18  
شبکه‌های عصبی کانولوشنالی
  مقدمه شبکه های عصبی کانولوشنالی
"19:10  
  چالش Imagenet
"14:15  
  لزوم سلسله مراتب در شبکه های عصبی
"10:42  
  آزمایش گربه هابل و ویزل
"09:19  
  کانولوشن و فیلترها
"14:47  
  درک عملکرد فیلتر کانولوشن در شبکه‌های عصبی کانولوشنی (CNN)
"10:11  
  ویژگی‌های مکانی فضایی و سلسله مراتب در شبکه‌های عصبی کانولوشنی (CNNs)
"07:19  
  padding در کانولوشن
"15:07  
  مفهوم Stride در کانولوشن
"03:00  
  کانولوشن روی عکس رنگی
"18:13  
  ادغام (Pooling)
"11:22  
  معماری Lenet-5
"13:05  
  محاسبه تعداد پارامترها در یک لایه کانولوشن
"06:46  
  پیاده سازی یک شبکه عصبی کانولوشنالی در پایتون
"24:48  
  ادغام میانگین سراسری (GAP)
"10:13  
  ارزیابی شبکه عصبی کانولوشنی با استفاده از GAP با اندازه‌های مختلف ورودی
"17:02  
  نرمال‌سازی دسته‌ای (Batchnorm)
"26:45  
معماری‌های عمیق و انتقال یادگیری
  معرفی مجموعه داده‌های گربه و سگ و ساختاردهی آن
"12:47  
  استفاده از Sigmoid در طبقه‌بندی باینری و ImageDataGenerator
"19:43  
  دانلود از Kaggle در محیط Google Colab
"21:27  
  داده‌افزایی
"24:51  
  بررسی معماری های شبکه‌های عصبی کانولوشنی
"05:29  
  الکس نت
"19:03  
  ZFNet
"13:17  
  VGG
"18:33  
  درک کانولوشن 1 در 1
"08:32  
  Inception
"17:31  
  ResNet
"22:30  
  مدل های از پیش آموزش دیده در keras application
"33:44  
  بازشناسی اشیاء با وبکم
"26:38  
  مقدمه ی انتقال یادگیری (ترنسفر لرنینگ)
"11:31  
  پیاده سازی انتقال یادگیری (ترنسفر لرنینگ)
"33:07  
  تنظیم دقیق (Fine-tuning)
"15:59  
  بررسی tf.data و Cache با مثال طبقه بندی گل
"51:45  
  بارگیری داده های تصویر با image_dataset_from_directory
"14:30  
  مثال طبقه بندی گربه/سگ با image_dataset_from_directory
"26:53  
  نرخ های یادگیری متفاوت (Differential Learning Rates)
"24:05  
رگرسیون و Functional API
  مقدمه رگرسیون
"09:28  
  مثال رگرسیون: تخمین قیمت خانه
"25:32  
  تخمین میزان مصرف سوخت ماشین
"22:57  
  Functional API در کراس
"30:51  
  تخمین قیمت خانه با ویژگی های بصری
"16:13  
  استفاده از دو نوع داده ورودی (ساختار یافته و بصری) در یک شبکه عصبی
"07:57  
  تعیین محل شئ
"17:08  
  بازشناسی و تعیین محل اشیاء
"19:39  
  تولید خروجی از مدل تعیین محل اشیاء
"14:47  
طبقه‌بندی متن، استفاده از Embedding و سیستم‌های توصیه‌گر
  طبقه بندی متن با دیتاست نقد فیلم
"69:54  
  پیش پردازش: به عنوان pipeline داده یا بخشی از مدل؟!
"07:54  
  طبقه بندی متن فارسی
"13:05  
  معیارهای ارزیابی برای داده های نامتوازن
"30:52  
  حل مشکل داده های نامتوازن
"21:59  
  N-gram
"16:49  
  بردار امبدینگ کلمه
"18:01  
  تناظرهای امبدینگ کلمه (آنالوژی)
"19:46  
  امبدینگ کلمه در Gensim
"05:29  
  بصری سازی بردار کلمات در دو و سه بعد با PCA، T-SNE و UMAP
"13:11  
  استفاده از امبدینگ از قبل آموزش داده شده در طبقه بندی متن
"33:40  
  سیستم‌های توصیه‌گر و فیلتر مشارکتی
"38:19  
  استفاده از tf.data برای مدیریت کارآمدتر داده در سیستم‌های توصیه‌گر
"04:34  
  بهبود دقت و مقیاس‌پذیری
"16:20  
  امبدینگ موجودیت‌ها
"28:42  
Model Subclassing، خودرمزنگارها و GAN ها
  مقدمه ای بر شئ گرایی در پایتون
"19:48  
  ایجاد مدل با روش Model Subclassing
"05:26  
  ایجاد لایه جدید با روش Model Subclassing
"30:02  
  مقدمه ای بر خودرمزنگارها
"16:59  
  خودرمزنگار کانولوشنالی با Transposed convolution
"18:49  
  خودرمزنگار کانولوشنالی با Upsampling
"17:54  
  تشخیص ناهنجاری(آنومالی) با خودرمزنگار
"04:27  
  U-Net برای سگمنت کردن تصویر
"17:44  
  پیاده سازی U-Net
"24:25  
  شبکه عصبی مولد رقابتی (GAN)
"34:33  
  پیاده سازی GAN
"22:22  
  مقدمات GradientTape در تنسورفلو
"24:16  
  آموزش DCGAN با بازنویسی تابع train_step
"29:19  
  ترجمه تصویر به تصویر با Pix2Pix
"17:02  
  پیاده سازی Pix2Pix
"64:56  
داده های صوتی و تابع خطای CTC
  مقدمه‌ای بر داده‌های صوتی
"36:04  
  طیف‌نگاره (Spectrogram)
"19:01  
  طبقه بندی صوت
"33:28  
  انتقال یادگیری با YAMNet برای طبقه‌بندی صداهای محیطی
"49:46  
  تشخیص خودکار پلاک خودرو
"60:51  
  تابع خطای CTC
"24:40  
  بازشناسی گفتار خودکار (ASR)
"28:29  
پیدا کردن هایپرپارامترهای بهینه و استقرار مدل در محیط عملیاتی
  تنظیم و پیدا کردن هایپرپارامتر
"18:26  
  مقدمه ای بر ابزار Keras Tuner
"16:42  
  هایپرپارامترهای شرطی
"19:31  
  استقرار مدل با ONNX
"34:34  
  استفاده از ONNX Runtime روی کارت گرافیک
"10:24  
روشهای انتقال یادگیری و افزونگی داده ی پیشرفته
  روش داده‌افزایی MixUp
"38:15  
  روش داده‌افزایی CutMix
"16:21  
  مثال طبقه بندی عکسهای X-ray شکستگی استخوان
"14:52  
  مثال طبقه بندی تصاویر نژادهای مختلف سگ
"15:35  
  مقاله و دیتاست بزرگ گوگل (BiT)
"19:07  
  استفاده از BiT
"16:26  

درباره دوره

این دوره با چه فریم ورک و زبان برنامه نویسی است؟

این دوره تئوری و عملی بوده و پس از بیان تئوری، هر مبحث در زبان پایتون با فریم ورک تنسورفلو (Tensorflow) و کراس (Keras) پیاده سازی میشود. تمامی کدها در گیت‌هاب دوره نیز قابل مشاهده است.

 

دوره جامع یادگیری عمیق برای چه کسانی مناسب است؟

  • علاقه‌مندان به هوش مصنوعی و یادگیری عمیق
  • دانشجویان و فارغ‌التحصیلان رشته‌های کامپیوتر، برق، ریاضی و آمار
  • متخصصان IT که به دنبال ارتقای مهارت‌های خود در زمینه هوش مصنوعی هستند
  • هر کسی که می‌خواهد با قدرت هوش مصنوعی، مسائل دنیای واقعی را حل کند

دوره جامع یادگیری عمیق چه چیزی به شما می‌آموزد؟

  • مبانی شبکه‌های عصبی: در این دوره، با مفاهیم پایه ای هوش مصنوعی و شبکه های عصبی مانند نورون، تابع فعال، گرادیان کاهشی و پس انتشار خطا آشنا خواهید شد.
  • شبکه‌های عصبی کانولوشنالی: این بخش به طور کامل به بررسی شبکه‌های عصبی کانولوشنالی (CNN) که برای پردازش تصاویر و ویدئوها به کار می‌روند، می‌پردازد.
  • پردازش زبان طبیعی: در این دوره، با روش‌های پردازش زبان طبیعی (NLP) و کاربردهای آن در طبقه‌بندی متن، استخراج اطلاعات و سیستم‌های توصیه‌گر آشنا خواهید شد.
    کار با داده های صوتی و گفتار: در این دوره، با روش‌های پیش پردازش و استخراج ویژگی صوت، طبقه بندی، CTC، تبدیل گفتار به متن آشنا می شوید.
  • موضوعات پیشرفته: در این دوره، به مباحث پیشرفته‌تر یادگیری عمیق مانند خودرمزگذار، GAN ها، تشخیص ناهنجاری می پردازیم.
  • پروژه‌های عملی: در طول دوره، با انجام پروژه‌های عملی، مهارت‌های خود را در زمینه یادگیری عمیق به کار خواهید گرفت.
  • تسلط به فریم ورک Tensorflow/Keras : در این دوره، شما با هر 3 سینتکس تعریف شبکه عصبی در فریم ورک کراس شامل Sequential، Functional API و Model Sub-classing آشنا خواهید شد و علاوه بر استفاده از روش های سطح بالای فریم ورک برای آموزش مدل، به روش های سطح پایین دسترسی به گرادیان ها و شخصی سازی کردن فرایند آموزش نیز پرداخته خواهد شد.

 

ویژگی‌های دوره:

40 ساعت آموزش ویدئویی: این دوره شامل 40 ساعت آموزش ویدئویی با کیفیت بالا است که توسط استاد مجرب با سابقه تدریس شده است.


با گذراندن این دوره، شما قادر خواهید بود:

  • شبکه‌های عصبی عمیق را طراحی و پیاده‌سازی کنید.
  • از هوش مصنوعی برای حل مسائل دنیای واقعی استفاده کنید.
  • مهارت‌های خود را در زمینه پردازش تصویر و بینایی کامپیوتر، پردازش زبان طبیعی و پردازش صوت و گفتار ارتقا دهید.
  • در مشاغل مرتبط با هوش مصنوعی استخدام شوید.

درباره استاد

maktabkhooneh-teacher علیرضا اخوان‌پور

علیرضا اخوان پور، مدیر فنی مجموعه دانش بنیان شناسا، از سال ۹۴ مدرس دانشگاه شهید رجایی است که از سال ۹۵ تدریس تخصصی هوش مصنوعی و یادگیری عمیق را شروع کرده است.

وی به عنوان مدرس هوش مصنوعی و یادگیری عمیق با ۵ سال سابقه تدریس در موسسه‌ها و دانشگاه‌های برتر نظیر سابقه ارائه کارگاه‌های آموزشی در دانشگاه امیرکبیر، دانشگاه شریف، یازدهمین کنفرانس ملی و اولین کنفرانس بین المللی بینایی ماشین و پردازش تصویر ایران، صندوق نوآوری شکوفایی، رویداد فیس کاپ، دوره های تخصصی معاونت علمی و فناوری ریاست جمهوری و سابقه تدریس در جهاد دانشگاه شریف و دوره‌های آزاد دانشگاه تهران را در رزومه‌ی خود دارد.

تدریس دوره‌های مختلف هوش‌مصنوعی در دیجی‌نکس (دیجی‌کالا)، مجموعه دانش بنیان پارت (بانک رسالت)، دوره علم داده جهاد دانشگاهی شریف، دوره های تخصصی کارمندان در بانک قوامین و سپه، دوره های جامع ۳۵۰ ساعته دانشگاه تهران و ... از دیگر موارد سابقه تدریسی ایشان است.

ایشان همچنین مدیر سایت class.vision هستند که یک سایت تخصصی در حوزه‌ی هوش مصنوعی، دیپ لرنینگ، بینایی کامپیوتر و یادگیری ماشین است.

 

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.

سوالات پرتکرار

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.
poster
  
برگزار کننده:  کلاس‌ ویژن
  
زمان مورد نیاز برای گذارندن دوره:  41 ساعت
مجموع محتوای آموزشی:  41 ساعت ویدئو
 (قابل دانلود می‌باشد)