یادگیری عمیق با تنسورفلو و کراس

poster
پیش‌نمایش دوره

دوره آموزش یادگیری عمیق با تنسورفلو و کراس به آموزش کاربردی یادگیری عمیق و تمام مباحث مربوط به کتابخانه‌­های تنسورفلو و کراس می‌­پردازد. به طور مشخص­‌تر موضوعاتی که در این دوره دنبال می‌­شود شامل موارد ... ادامه

برگزارکننده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
4.7 (59 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذراندن دوره:  72 ساعت
مجموع محتوای آموزشی:  21 ساعت ویدئو - 51 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  10 هفته
  
حد نصاب قبولی در دوره:  70 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام

پیش‌نیاز‌ها

در تمام مراحل این دوره برای راحتی شرکت­‌کنندگان سعی شده است تا تمامی مباحث به زبانی ساده بیان شوند؛ اما برای درک کامل مباحث مطرح شده لازم است تا مخاطب با موارد زیر آشنایی داشته باشد:

  • آشنایی با مفاهیم برنامه‌­نویسی پایتون
  • آشنایی با مباحث مربوط به یادگیری ماشین
  • آشنایی با کتابخانه­‌های Scikit-learn، Numpy، Matplotlib

سرفصل‌های دوره یادگیری عمیق با تنسورفلو و کراس

مقدمه‌ای بر یادگیری ماشین

در فصل اول این دوره مروری بر مباحث یادگیری ماشین انجام می‌دهیم و با فرایند آن آشنا می‌شویم.

  مقدمه‌ای بر یادگیری ماشین و یادگیری عمیق
مشاهده
"23:11  
  فرایند یادگیری در یادگیری ماشین
مشاهده
"17:07  
  پروژه یادگیری ماشین (الزامی)
 46.7%    
"180:00  
  سوالات تشریحی یادگیری ماشین (الزامی)
 53.3%    
"240:00  
مبانی یادگیری عمیق

در فصل دوم ابتدا با نورون‌ها و پرسپترون آشنا می‌شویم و الگوریتم Propagation را می‌‌آموزیم. پس از آن به یادگیری کتابخانه کراس و پیاده‌سازی مباحث مختلف با استفاده از کراس پرداخته می‌شود.

  مروری بر تاریخچه یادگیری عمیق و معرفی عملکرد یک نورون
مشاهده
"14:51  
  مدل‌سازی نورون
مشاهده
"12:12  
  کنار هم قراردادن نورون‌ها
"31:54  
  پرسپترون با scikit-learn
"13:28  
  پرسپترون
"14:08  
  وزن‌ها در یک شبکه عصبی مصنوعی
"10:13  
  الگوریتم Backpropagation بخش اول
"10:18  
  الگوریتم Backpropagation بخش دوم
"27:22  
  الگوریتم Backpropagation بخش سوم
"13:41  
  الگوریتم Backpropagation بخش چهارم
"11:34  
  مثال‌هایی از Activation functions
"07:10  
  تنظیمات پیشنهادی برای شبکه رگرسیون
"17:43  
  تنظیمات پیشنهادی برای شبکه طبقه‌بندی
"26:22  
  مفهوم cross-entropy
"13:18  
  معرفی Keras
"07:55  
  نصب تنسورفلو و کراس
"17:33  
  دیتاست fashion mnist
"19:26  
  تعریف مدل sequantial در کراس
"14:30  
  لایه‌ها و ضرایب مدل sequantial
"10:37  
  Model Compile و Fit
"16:24  
  ذخیره تاریخچه fit
"06:48  
  رسم loss و دقت مدل
"03:50  
  ارزیابی مدل روی داده تست
"14:52  
  ساخت مدل رگرسیون برای پیشبینی قیمت خانه
"30:37  
  wide and deep مدل
"23:40  
  Functional API
"10:54  
  مدل با چند خروجی
"20:01  
  Subclass API
"20:56  
  ذخیره و بارگذاری مدل
"13:00  
  Callback API
"25:08  
  tensorboard
"08:18  
  بهینه‌سازی heperparameters
"17:17  
  grid search
"14:06  
  معرفی ابزارهای بهینه‌سازی مدل
"15:18  
  جمع‌بندی فصل مبانی یادگیری عمیق
"08:55  
  پروژه اول مبانی یادگیری عمیق (الزامی)
 25.9%    
"150:00  
  پروژه دوم مبانی یادگیری عمیق (الزامی)
 37%    
"300:00  
  پروژه سوم مبانی یادگیری عمیق (الزامی)
 37%    
"300:00  
شبکه عصبی عمیق

در این فصل پس از آشنایی با چالش‌ها و مسائل به حل آن‌ها با روش‌های مختلف می‌پردازیم. در طول این فصل با مفاهیمی همچون Batch Normalization، Transfer Learning، Gradient Descent آشنا می‌شویم. در انتهای فصل به پیاده‌سازی برنامه زمانی 1cycle می‌پردازیم.

  چالش‌های آموزش شبکه عصبی عمیق
مشاهده
"07:13  
  معرفی مساله و دیتاست این فصل
مشاهده
"01:52  
  مقداردهی اولیه وزن‌ها
مشاهده
"18:13  
  Non-saturating activation functions
"29:24  
  Batch Normalization
"17:10  
  Batch Normalization in keras
"09:17  
  Gradient clipping
"07:14  
  Transfer Learning بخش اول
"14:18  
  Transfer Learning بخش دوم
"18:16  
  Transfer Learning بخش سوم
"08:31  
  چالش زمان در آموزش شبکه عصبی عمیق
"06:39  
  Stochastic gradient descent (SGD)
"12:00  
  پیاده‌سازی gradient descent یک بعدی با پایتون
"14:45  
  پیاده‌سازی gradient descent دو بعدی با پایتون بخش اول
"14:46  
  پیاده‌سازی gradient descent دو بعدی با پایتون بخش دوم
"12:21  
  Gradient Descent with Momentum
"18:50  
  پیاده‌سازی Gradient Descent with Momentum
"10:19  
  Gradient Descent with Nesterov Momentum
"10:19  
  پیاده‌سازی Gradient Descent with Nesterov Momentum
"08:20  
  Adagrad
"11:56  
  پیاده‌سازی Adagrad
"09:40  
  RMSProp
"15:29  
  Adam
"18:00  
  پیاده‌سازی Adam
"14:30  
  مروری بر بهینه‌سازها در یادگیری عمیق
"14:32  
  برنامه‌های زمانی learning rate
"14:30  
  معرفی چند برنامه زمانی پراستفاده
"08:47  
  پیاده‌سازی برنامه زمانی Exponential
"07:42  
  پیاده‌سازی برنامه زمانی Piecewise
"07:47  
  پیاده‌سازی برنامه زمانی Performance
"06:36  
  پیاده‌سازی برنامه زمانی 1cycle بخش اول
"07:35  
  پیاده‌سازی برنامه زمانی 1cycle بخش دوم
"19:02  
  پیاده‌سازی برنامه زمانی 1cycle بخش سوم
"15:23  
  پیاده‌سازی برنامه زمانی 1cycle بخش چهارم
"05:27  
  پیاده‌سازی برنامه زمانی 1cycle بخش پنجم
"22:18  
  استفاده از برنامه زمانی 1cycle روی مدل
"06:09  
  مرور برنامه‌های زمانی learning rate
"04:37  
  l1-l2 regulaizer
"06:16  
  Droput
"11:50  
  Monte-Carlo Dropout
"14:39  
  Max-Norm regualizer
"12:15  
  پروژه اول شبکه عصبی عمیق (الزامی)
 15.6%    
"180:00  
  پروژه دوم شبکه عصبی عمیق (الزامی)
 21.9%    
"180:00  
  پروژه سوم شبکه عصبی عمیق (الزامی)
 31.2%    
"450:00  
  پروژه چهارم شبکه عصبی عمیق (الزامی)
 15.6%    
"120:00  
  پروژه پنجم شبکه عصبی عمیق (الزامی)
 15.6%    
"150:00  
شبکه کانولوشنال عمیق

در فصل آخر با کانولوشن و شبکه‌های کانولوشنال عمیق آشنا می‌شویم و مفاهیمی مثل Object Detection و Segmentation را می‌آموزیم.

  شبکه کانولوشنال عمیق
مشاهده
"09:06  
  عملیات کانولوشن
مشاهده
"15:40  
  لایه کانولوشن
"10:14  
  پیاده‌سازی کانولوشن با تنسورفلو
"13:14  
  لایه pooling
"05:36  
  معماری شبکه کانولوشنال عمیق
"04:26  
  پیاده‌سازی شبکه کانولوشنال عمیق در کراس
"10:56  
  معرفی شبکه‌های قدرتمند کانولوشنال
"13:26  
  استفاده از یک شبکه کانولوشنال قوی در کراس بخش اول
"10:31  
  استفاده از یک شبکه کانولوشنال قوی در کراس بخش دوم
"15:17  
  Localization
"12:01  
  Object detection بخش اول
"14:18  
  Object detection بخش دوم
"11:32  
  Object detection بخش سوم
"11:12  
  Segmentation بخش اول
"13:15  
  Segmentation بخش دوم
"06:34  
  Segmentation بخش سوم
"05:42  
  سخن پایانی
"04:06  
  پروژه اول شبکه کانولوشنال عمیق (الزامی)
 19.2%    
"150:00  
  پروژه دوم شبکه کانولوشنال عمیق (الزامی)
 38.5%    
"400:00  
  پروژه سوم شبکه کانولوشنال عمیق (الزامی)
 19.2%    
"120:00  
  پروژه چهارم شبکه کانولوشنال عمیق (الزامی)
 23.1%    
"120:00  

ویژگی‌های دوره

گواهی‌نامه مکتب‌خونه
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

ویژگی‌های دوره

خدمات منتورینگ
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.

ویژگی‌های دوره

پروژه محور
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.

ویژگی‌های دوره

تمرین و آزمون
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.

ویژگی‌های دوره

تالار گفتگو
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.

ویژگی‌های دوره

تسهیل استخدام
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.

بررسی فرصت‌های شغلی

درباره دوره

دوره آموزش یادگیری عمیق با تنسورفلو و کراس به آموزش کاربردی یادگیری عمیق و تمام مباحث مربوط به کتابخانه‌­های تنسورفلو و کراس می‌­پردازد. به طور مشخص­‌تر موضوعاتی که در این دوره دنبال می‌­شود شامل موارد زیر است:

  • پیاده‌­سازی شبکه‌­های عصبی (یادگیری عمیق) در پایتون
  • پیاده‌­سازی شبکه­‌های Multi-layer perceptron (MLP) و Convolutional
  • بحث و بررسی در رابطه با موضوعات گوناگون یادگیری عمیق مانند: Transfer learning، Overfitting و Regularization
  • بررسی دقیق و عمیق تنسورفلو و کراس

 

آشنایی با یادگیری عمیق، تنسورفلو و کراس

در یک تعریف کلی، یادگیری عمیق یکی از شاخه­‌های یادگیری ماشین و هوش مصنوعی است که در آن سعی می­‌شود از روش کارکرد مغز برای یادگیری موضوعات استفاده شود.

در یادگیری عمیق به کامپیوترها آموزش داده می‌­شود که برای حل مسائل از روش­‌هایی استفاده کنند که مغز انسان برای حل مسائل از آن روش‌­ها استفاده می‌­کند. به طور کلی یادگیری عمیق سعی می‌­کند به شبیه‌سازی مغز انسان بپردازد.

«تنسورفلو» (TensorFlow)، یک کتابخانه رایگان و اوپن سورس است که کاربردهای زیادی در یادگیری ماشین دارد. یکی از اصلی‌­ترین کاربردهای تنسورفلو در پیاده‌­سازی شبکه­‌های عصبی است. به همین دلیل است که این کتابخانه، پراستفاده‌­ترین کتابخانه در یادگیری عمیق است.

کراس یک کتابخانه در تنسورفلو است که با هدف توسعه شبکه‌­های عصبی ایجاد شده است.

 

هدف از برگزاری دوره آموزش یادگیری عمیق با تنسورفلو و کراس چیست؟

امروزه اهمیت یادگیری عمیق در بسیاری از تکنولوژی‌­ها بر کسی پوشیده نیست؛ تا جایی که در دنیای امروز یادگیری عمیق به مغز محاسباتی در بسیاری از زمینه­‌های علم و تکنولوژی تبدیل شده است. به همین دلیل است که در دنیایی از صنایع مختلف تا تکنولوژی‌­های مختلف، تقریبا هیچ موردی را نمی‌­توان پیدا کرد که در آن ردپایی از یادگیری عمیق دیده نشود. به این ترتیب، اصلی­‌ترین هدف این دوره آموزش کاربردی یادگیری عمیق و شناخت ابعاد گوناگون آن است.

در این دوره شما با این ابزار بسیار مهم به ­صورت عملیاتی آشنا می‌­شوید و جزئیات لازم برای پیاده‌­سازی بهینه این الگوریتم‌ها را در عمل می­‌آموزید. در ادامه راه می‌­توانید از این ابزار در هر زمینه‌­ای که با داده روبه‌­رو می‌شوید و به دنبال پیدا کردن الگوهای آن هستید، استفاده کنید.

 

دوره آموزش یادگیری عمیق با تنسورفلو و کراس برای چه کسانی مناسب است؟

محتوای این دوره به نحوی انتخاب شده که مناسب افرادی باشد که دوره یادگیری ماشین را گذرانده‌اند و با مفاهیم ابتدایی هوش مصنوعی آشنایی دارند و به دنبال ادامه مسیر یادگیری/شغلی در این زمینه هستند. با توجه به اینکه این دوره ترکیب آموزش مفاهیم تئوری و عملی در کنار یکدیگر است، دانشجویان این دوره می‌توانند مسائل دنیای واقعی مثل پردازش تصویر، پردازش زبان طبیعی، پیش‌بینی‌های دنباله‌های عددی و ترافیک و غیره را حل کنند. بنابراین این دوره مناسب کسانی خواهند بود که علاقه‌مند به مباحث پیشرفته هوش مصنوعی و چالش‌های لبه‌ی تکنولوژی هستند.

 

در انتهای دوره آموزش یادگیری عمیق با تنسورفلو و کراس مخاطب چه دستاوردی خواهد داشت؟

با توجه به محتوایی که در این دوره به شرکت‌­کنندگان آموزش داده می‌­شود، در انتهای دوره مخاطبان محترم با موارد زیر آشنایی خواهند داشت:

  • پیاده­‌سازی شبکه‌­های MLP
  • پیاده‌­سازی شبکه­‌های Sequential، Functional و Subclass
  • بهینه­‌سازی پارامترهای شبکه­‌های عصبی
  • شناخت ترکیب مناسب activation function و initialization
  • شناخت بهینه‌­ساز­ها و برنامه‌­های زمانی متناسب
  • شناخت راهکارهای مقابله با Overfitting
  • شناخت ابزار لازم برای ارزیابی عدم قطعیت پیش‌بینی شبکه­‌های عصبی
  • پیاده‌سازی Transfer learning و استفاده از شبکه­‌های قدرتمند آماده
  • پیاده‌­سازی شبکه­‌های Convolutional

 

وجه تمایز این دوره نسبت به سایر دوره­‌های مشابه چیست؟

در این دوره مدرس پس از نشان دادن تصویر کلی از مفهوم یادگیری عمیق، وارد جزئیات پیاده­‌سازی می‌­شود. در این پیاده‌سازی هدف نوشتن کدهای طولانی و پیچیده نیست، بلکه مدرس با جزئیات تمام به بررسی و بحث درباره تمام خط­‌های این پیاده‌­سازی می‌­پردازد. مدرس برای مباحث مختلف این دوره، الگوهای پیاده‌­سازی کد را به شما می‌­آموزد و این یعنی شما در ادامه مسیر کار با شبکه­‌های عصبی نیز می‌­توانید این الگوها را در یادگیری مباحث تکنیکی کدنویسی استفاده کنید. مدرس سعی می­‌کند مباحث را با ساده‌ترین زبان ممکن بیان کند اما در این حال شما را با پیچیدگی­‌های کار با شبکه‌های عصبی نیز آشنا کند. در این دوره هر قدمی که جلو می­‌روید مدرس دلیل و منطق پشت آن قدم را شرح می‌­دهد که اهمیت آن قدم‌­ها را در ادامه مسیر در ذهن داشته باشید.

درباره استاد

maktabkhooneh-teacher پژمان اقبالی

پژمان اقبالی دانشجوی دکتری بیومکانیک در دانشگاه EPFL سوئیس است. وی دارای تجربه تدریس مباحث علوم کامپیوتر مخصوصاً برنامه‌نویسی محاسباتی است. او سابقه‌ی تدریس برنامه‌نویسی پایتون، متلب و R، محاسبات علمی، بهینه‌سازی، علم داده و یادگیری ماشین را دارد. 
ایشان در حال حاضر بر روی توسعه‌ی مدل‌های آماری و یادگیری ماشین برای تحلیل داده‌های پزشکی کار می‌کند. حوزه‌های تخصصی او برنامه‌نویسی محاسباتی، آمار و یادگیری ماشین، مدل‌های اجزای محدود و بهینه‌سازی 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.
علیرضا پرچمی 1403-03-11
دوره بسیار خوب و ارزشمندیه.
امیر محمد ارغوانی 1403-02-23
سلام خیلی ممنون از دوره خوبتون مباحث اول به صورت مفهومی ارائه میشد و بعد وارد کد میشدیم که باعث فهم خیلی بهتر میشد همچنین تمرین های خیلی خوبی هم ارائه شده بود به طوری که عملکرد ابزارها رو میتونستیم با هم مقایسه و ارزیابی کنیم
حسین برکتی 1403-02-07
نوع تدریس و مطالب از هر لحاظ عالی است
دانیال افشار 1403-01-23
بنظرم دوره بسیار با ارزشی هست. آقای اقبالی توانایی عالی در انتقال مفاهیم پیچیده دارند و امیدوارم دوره های بیشتری از ایشان را در مکتب خونه مشاهده کنیم. سپاس از آقای اقبالی و تیم مکتب خونه.
فاطمه 1403-01-18
مطالب منسجم و مدرس کاملا مسلط... چند سال پیش برنامه نویسی پایتون رو هم با تدریس جناب اقبالی شروع کردم. این دوره هم مثل سایر دوره های ایشون عالی بود.
شهاب علایی 1403-01-06
تدریس فوق العاده خوبه پیشنهاد میکنم این دوره رو نگاه کنید
محمد رجب زاده 1402-12-20
عالی بود بنظرم برای شروع ورود به این حوزه ولی خوب نیازه کهکاربر خودش هم اهل تمرین و مطالعه باشه
1402-11-13
این دوره فوق العادس. کاش دوره های بیشتری ارائه بدین استاد ممنونم
محسن حسن نژاد 1402-11-09
استاد دمتم گرم👌
محمدرضا مقدم 1402-10-28
عالی.فقط همینو میشه گفت.فقط برای کسانی که ریاضیات خسته شون میکنه چند جلسه اول یکم حوصله سر بره😁ولی بعدش که عملی شروع میشه کاملا جذاب و مفصل توضیح میدن استاد🙏پیشنهاد میکنم برای کسانی که میخوان ریز و با جزییات دوره یادگیری عمیق رو بگذرونن
محمد هدیه لو 1402-09-18
بسیار عالی است. لطفا در زمینه Self-supervised Learning هم آموزش تهیه فرمایید. باتشکر
مجید نرگسی اعظم 1402-08-30
استاد به مفاهیم تدریس شده تسلط بسیار بالایی دارد و دوره بسیار عالی
شقایق رمضان زاده 1402-08-09
AAlii
علیرضا رستگار مقدم 1402-07-20
سلام و عرض ادب, این دوره کاملا برای من کاربردی و مفید بود نحوه تدریس عالی و قابل فهم با تمرین و مثال های عالی بسیار ممنون ☘️
علیرضا آزرم 1402-05-06
برای شروع یادگیری عمیق بسیار مفید، کاربردی و پر از نکات با ارزش هست، دوستانی که انتظار معجزه یا چیزی در حد دروه‌ی حرفه‌ای دارن به کارشون نمیاد، خیلی از نکات ریز رو در مواجهه با مسائل مختلف باید تجربه کرد، این دوره هر انچه که برای تجربه کردن نیاز دارید رو بهتون یاد میده ... منکه خیلی راضی بودم... دم استاد گرم
1
2
3

دوره‌های پیشنهادی

سوالات پرتکرار

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟
خیر؛ شما با خرید دوره می توانید در آن دوره شرکت کنید و به محتوای آن دسترسی خواهید داشت. در صورتی که در زمان تعیین شده دوره را با نمره قبولی بگذرانید، گواهی نامه دوره به نام شما صادر خواهد شد.

سوالات پرتکرار

حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟
برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان خرید دوره توسط شما تنها در آن مدت شما از ویژگی های تصحیح پروژه ها توسط پشتیبان و دریافت گواهی نامه بهره مند خواهید بود.

سوالات پرتکرار

در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟
خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد

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.

دوره آموزش یادگیری عمیق با تنسورفلو و کراس

زبان پایتون محبوب‌ترین زبان برنامه‌نویسی برای مباحث پیشرفته‌ای مانند هوش مصنوعی و یادگیری ماشین است. این زبان برای هر پلتفرم و پروژه‌ای کتابخانه و ابزارهای مخصوصی دارد. همچنین لازم است بدانید Deep learning از شاخه‌های اصلی و مهم هوش‌ مصنوعی بوده و امروزه تبدیل به موضوعات مورد توجه برنامه‌نویسان شده است. 

در این پکیج آموزش یادگیری عمیق با تنسورفلو و کراس قصد داریم شما را با مفاهیم و اصول اولیه یادگیری عمیق با پایتون آشنا کنیم. برای این منظور ابتدا باید در مورد تنسورفلو و کراس که از کتابخانه‌های معروف و قدرتمند این زبان برنامه‌نویسی برای یادگیری عمیق هستند اطلاعات دقیقی به دست آوریم. سپس یاد بگیریم الگوریتم‌های یادگیری چطور کار می‌کنند و نحوه پیاده سازی هرکدام چطور ممکن می‌شود. 

پیش‌نیازهای این دوره

آموزش یادگیری عمیق با تنسورفلو و کراس با توجه به این که از مباحث پیشرفته برنامه‌نویسی به شمار می‌رود، پیش‌نیازهایی دارد. در واقع لازم است در حوزه‌های زیر اطلاعات کافی و تجربه نسبتاً خوبی داشته باشید تا بتوانیم موضوع یادگیری عمیق را راحت‌تر پیش ببریم.

زبان برنامه نویسی پایتون

همان‌طور که اشاره شد برای کار با کتابخانه تنسورفلو و کراس نیاز به زبان پایتون داریم. این زبان قدرتمند بهترین و آسان‌ترین زبان برای یادگیری محسوب می‌شود، زیرا بسیار به زبان محاوره‌ای انگلیسی نزدیک است. پایتون اولین پیش‌نیاز آموزش یادگیری عمیق با تنسورفلو و کراس خواهد بود. باید در کار کردن با این زبان مهارت و تجربه مناسبی داشته باشید.

هوش مصنوعی

یادگیری عمیق یکی از زیرشاخه‌های اصلی هوش مصنوعی محسوب می‌شود. پس باید با مفاهیم اولیه این موضوع نیز آشنا باشید تا بتوانید درک بهتری از یادگیری عمیق کسب کنید. 

یادگیری ماشین

یادگیری ماشین پایه و اساس یادگیری عمیق است. در حقیقت یادگیری عمیق یکی از تکنیک‌های یادگیری ماشین بوده و برای درک آن نیاز به درک یادگیری ماشین داریم. پس اگر دانش کافی در این زمینه ندارید سعی کنید قبل از شرکت در آموزش یادگیری عمیق با تنسورفلو و کراس، در مورد آن تحقیق و مطالعه کنید.

منابع و الزاماتی که دوره آموزش یادگیری عمیق با تنسورفلو و کراس براساس آن‌­ها تدریس شده است چیست؟

در این دوره از منابع گوناگونی بهره گرفته شده است. اصلی‌­ترین منابع در برگزاری این دوره موارد زیر است:

1) Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow, Aurélien Géron, Published by O’Reilly Media, Inc., 2019

2) Deep Learning, Aaron Courville, Ian Goodfellow, and Yoshua Bengio, MIT Press, 2015

3) https://www.tensorflow.org

4) https://keras.io

کراس و تنسورفلو چیست؟

تا اینجا فهمیدیم که برای پیاده‌سازی یادگیری عمیق با زبان پایتون باید یادگیری ماشین را به همراه تکنیک‌ها و الگوریتم‌های یادگیری عمیق استفاده کنیم. یادگیری ماشین به تنهایی فرایندی بسیار پیچیده بوده و نیاز به محاسباتی وسیع و سخت دارد. 

تیم Google Brain کتابخانه‌ای قدرتمند برای ساده و سریع کردن این محاسبات ساخته‌ که با نام تنسورفلو شناخته می‌شود. این کتابخانه دارای یک سیستم هوشمند است که از ادغام الگوریتم‌های یادگیری ماشین و یادگیری عمیق به دست آمده است. این کتابخانه به گونه‌ای طراحی و پیاده سازی شده که در زبان C++ نیز قابل استفاده باشد. 

کتابخانه دیگری که در این آموزش با آن سروکار داریم کراس «Keras» نام دارد. این کتابخانه یک ابزار پیشرفته برای یادگیری عمیق با شبکه عصبی است. برای کار کردن با کراس لازم است با کتابخانه‌های Numpy ، Pandas  و scikit-learn آشنا باشید. 

مزایای ثبت‌نام در این آموزش یادگیری عمیق با تنسورفلو و کراس

شاید برایتان سؤال باشد که چرا آموزش رایگان یادگیری ماشین با پایتون را پیدا کرده و از آن برای کسب مهارت استفاده نکنم. اولاً باید بدانید اغلب دوره‌های آموزشی توسط افراد ضبط می‌شوند که قصد فروش دوره‌های پیشرفته‌تری را دارند. در نتیجه عنوانی مانند «آموزش رایگان یادگیری عمیق» تنها جنبه تبلیغاتی موضوع را پوشش می‌دهد. 

در واقع دوره‌ای که کلمه رایگان را با خود به یدک می‌کشد هیچ‌وقت نمی‌تواند کامل و جامع باشد. کما این که حتی وقتی دوره‌ای با سطح آموزشی مقدماتی و متوسط هم خریداری می‌کنیم باید با توجه به سطح آموزشی خود تمام مباحث را پوشش دهد. به علاوه در صورت ثبت‌نام در این دوره خدمات و مزایای زیر را دریافت خواهید کرد.

·      خدمات منتورینگ برای پشتیبانی علمی دانشجو توسط یک فرد متخصص

·      تالار گفتگو برای ارتباط با دیگر دانشجویان و شخص استاد

·      آموزش کاملاً پروژه محور 

·      تمرین و آزمون با پشتیبانی لحظه‌ای 

·      رفع اشکالات در طی دوره

·      دریافت گواهینامه معتبر از مکتب خونه

·      تسهیل استخدام با تأیید مهارت شما در رزومه‌ساز جاب ویژن

آموزش یادگیری عمیق با تنسورفلو و کراس مناسب چه افرادی است؟

هر دوره‌ آموزشی جامعه هدفی دارد. در نتیجه باید توجه کنیم که دوره مورد نظر برای چه کسانی مفید و مناسب است تا با خرید محصول نامناسب ضرر نکنیم. البته خرید هیچ آموزش ضرر محسوب نمی‌شود؛ چرا که به هر حال فردی که می‌خواهد یک مطلب و مهارت خاصی را یاد بگیرید حتماً برای یادگیری پیش‌نیازهای آن نیز تلاش خواهد کرد. 

قبل از هر چیزی باید بدانید این دوره در وهله اول برای افرادی مناسب است که موارد مطرح شده به عنوان پیش‌نیاز دوره را بلد باشد. در صورت دارا بودن این ویژگی هر فردی که به مباحث پیشرفته هوش مصنوعی و یادگیری سیستم‌های کامپیوتری علاقه دارد می‌تواند فرد مناسبی برای شرکت در این دوره باشد. 

دستاوردهای این دوره برای دانشجو چه خواهد بود؟

دوره پیش رو دارای سطح مقدماتی است؛ بنابراین بیشتر با هدف آشنایی شما با مباحث مربوط به یادگیری عمیق طراحی و تولید شده است. در آموزش tensorflow در پایتون با موارد زیر به گونه‌ای آشنا خواهید شد که بتوانید مسیر یادگیری خود را به خوبی برنامه‌ریزی و ادامه دهد. 

·      آشنایی دقیق و عمیق با کتابخانه‌های تنسورفلو و کراس

·      آشنای با نحوه پیاده‌سازی یادگیری عمیق با کتابخانه‌های فوق

·      شناخت ابزار لازم برای ارزیابی عدم قطعیت پیش‌بینی شبکه­‌های عصبی

·      شناخت بهینه‌­ساز­ها و برنامه‌­های زمانی متناسب

·      شناخت بهینه‌­ساز­ها و برنامه‌­های زمانی متناسب

·      بهینه­‌سازی پارامترهای شبکه­‌های عصبی

·      کسب مهارت لازم برای استفاده از شبکه­‌های قدرتمند آماده

·      پیاده­‌سازی شبکه‌­های چندلایه  MLP

·      پیاده‌­سازی شبکه­‌های Sequential، Functional  و Subclass  

·      شناخت ترکیب مناسب activation function و  initialization

·      شناخت راهکارهای مقابله با  Overfitting

·      آشنایی با پیاده‌سازی Transfer learning  

·      آشنایی با نحوه پیاده‌­سازی شبکه­‌های  Convolutional

سرفصل‌های آموزش یادگیری عمیق با تنسورفلو و کراس

توجه داشته باشید که آموزش تنسورفلو پیشرفته نیاز به کسب دانش کافی در سطح مقدماتی و متوسط در این زمینه دارد. به همین دلیل این آموزش کتابخانه تنسورفلو و کراس در مکتب خونه را برای تمام علاقه‌مندان حوزه هوش‌ مصنوعی و یادگیری ماشین توصیه می‌کنیم. 

فصل اول: مقدمه‌ای بر یادگیری ماشین

هدف اصلی این دوره آشنایی شما با مفاهیم اولیه و در اصل پایه‌ریزی درست برای ورود شما به مباحث پیشرفته و حرفه‌ای است. از این رو فصل اول را با عنوان «مقدمه‌ای بر یادگیری ماشین» شروع کردیم. این فصل دارای دو فایل ویدئویی، یک پروژه تمرینی یادگیری ماشین و یک آزمون تشریحی است.

فصل دوم: مبانی یادگیری عمیق

در این فصل باید مباحث مختلف یادگیری عمیق و مبانی آن را در قالب ۳۵ فایل تصویری بگذرانید. این موضوعات با تاریخچه یادگیری عمیق شروع و به یک فایل جمع‌بندی ختم می‌شود. در انتها نیز باید بتوانید ۳ پروژه تمرینی را با بهترین نمره ممکن حل کنید تا از آمادگی شما برای ورود به فصل بعدی اطمینان حاصل شود.

فصل سوم: شبکه عصبی عمیق

یکی از تکنیک‌های معروف و محبوب یادگیری عمیق الگوریتم شبکه عصبی است. این الگوریتم انواع مختلفی دارد که با توجه به نیاز و نوع پروژه می‌توانیم یکی را انتخاب و مورد استفاده قرار دهیم. در این فصل مباحث پایه‌ای این تکنیک از یادگیری عمیق را یاد می‌گیرید. فصل سوم دارای ۴۱ درس آموزشی و ۵ پروژه تمرینی است که انجام آن‌ها الزامی است.

فصل چهارم: شبکه کانولوشنال عمیق

شبکه عصبی کانولوشی از الگوریتم‌های پرکاربرد شبکه عصبی است. این الگوریتم چند لایه بوده و گزینه‌ای مناسب و عالی برای یادگیری عمیق به شمار می‌رود. در این فصل که فصل پایانی دوره است ۱۸ جلسه تدریس به همراه ۴ پروژه تمرینی را پشت سر خواهید گذاشت.

گواهینامه مکتب خونه

برای دریافت گواهینامه اتمام دوره باید بتوانید تمام فصل‌ها را با نمره بالا به اتمام برسانید. قبولی در این دوره نیازمند کسب حداقل نمره ۷۰ در مجموع است. شما ۱۰ هفته برای اتمام دوره به همراه انجام تمرینات فرصت دارید. این موضوع شرط اصلی قبولی شما خواهد بود. یعنی باید بتوانید طی ۱۰ هفته نمره لازم را کسب کنید. در غیر این صورت اگر بر دریافت گواهینامه اصرار دارید، مجبور به تمدید دوره با مبلغ مورد نیاز برای صدور گواهینامه خواهید بود. 

آموزش یادگیری عمیق با تنسور فلو و کراس در  مکتب خونه

از شما کاربران گرامی دعوت می‌کنیم برای کسب تجربه‌ای بی‌بدیل از آموزش و یادگیری این دوره‌ را با قیمتی استثنائی و پشتیبانی عالی تهیه کنید. در صورتی که به مشاوره تخصصی در این رابطه نیاز دارید سوالات خود را با بخش پشتیبانی این کورس در میان بگذارید. همکاران ما در هر ساعت از شبانه روز آمادگی راهنمایی شما را دارند. 

همچنین در مکتب خونه انواع دوره آموزش هوش مصنوعی، آموزش یادگیری ماشین، آموزش یادگیری عمیق و آموزش پایتون به عنوان پیش‌نیازهای این دوره وجود دارد.

poster
پیش‌نمایش دوره
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذراندن دوره:  72 ساعت
مجموع محتوای آموزشی:  21 ساعت ویدئو - 51 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  10 هفته
  
حد نصاب قبولی در دوره:  70 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام