یادگیری عمیق با تنسورفلو و کراس

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

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
 97% (3,338 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن 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
"23:11  
  فرایند یادگیری در یادگیری ماشین
"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
"14:51  
  مدل‌سازی نورون
"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
"07:13  
  معرفی مساله و دیتاست این فصل
"01:52  
  مقداردهی اولیه وزن‌ها
"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
"09:06  
  عملیات کانولوشن
"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  ( نظر)

صفحه 1 از
1402-11-13
دانشجوی دوره
این دوره فوق العادس. کاش دوره های بیشتری ارائه بدین استاد ممنونم
محسن حسن نژاد 1402-11-09
دانشجوی دوره
استاد دمتم گرم👌
محمدرضا مقدم 1402-10-28
دانشجوی دوره
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
دانشجوی دوره
بسیار عالی است. لطفا در زمینه Self-supervised Learning هم آموزش تهیه فرمایید. باتشکر
مجید نرگسی اعظم 1402-08-30
دانشجوی دوره
استاد به مفاهیم تدریس شده تسلط بسیار بالایی دارد و دوره بسیار عالی
شقایق رمضان زاده 1402-08-09
دانشجوی دوره
AAlii
علیرضا رستگار مقدم 1402-07-20
دانشجوی دوره
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
دانشجوی دوره
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
روح الله محمودیانی 1401-12-05
دانشجوی دوره
با سلام. این دوره برای من فوق العاده مفید بود. استاد به مباحث مسلط هستند. تمارین عالی بود. این دوره برای افراد مبتدی و متوسط عالیه. اما به هر حال این دوره ناقص هست. مثلا در بحث شبکه های کانولوشن مثالها کاملا ابتدایی هستند. پروژه ها در کل دوره جهت یادگیری مفاهیم عالی هستند اما با دنیای واقعی خیلی فاصله دارند. شبکه های معروف در بحث ترانسفرلرنینگ به صورت گذرا اشاره شده اند . اما بازهم تکرار می کنم برای این دوره برای یادگیری اولیه خیلی خوب هست.
فرشاد فیروزی 1401-11-16
دانشجوی دوره
خسته نباشید خدمت استاد گرامی. دوره بسیار فوق‌العاده و مفیدی بود. ممنون از ایشون و تیم مکتب خونه.
امیر شاهچراغیان 1401-07-22
دانشجوی دوره
یکی از بهترین دوره هایی بود که در این یک سال دیدم. دوره ی کاملی که هم مباحث پایه ای ریاضی رو خیلی خوب گفتن و هم در قسمت implementation خیلی دقیق و با جزییات توضیح دادن. واقعا خسته نباشید میگم. فوق العاده است.
سپیده سهرابی 1401-07-06
دانشجوی دوره
جلسات اول که مباحث ریاضی زیاد بود یه ذره ناامید شدم اما وقتی وارد کد نویسی و پروژه ها شدند میتونم بگم که فوق العاده هستند . دوره عالی استاد عالی . ممنون . . . من بعد از چندماه برگشتم و نظرمو ویرایش می کنم . توی این چندماهی که در این فیلد کار کردم و مطالعه کردم دوباره فرصتی شد که برگردم و مجدد مطالب این دوره رو مرور کنم و تازه ارزش واقعی مطالب برام روشن شد . استاد عالی مطالب عالی انتقال عالی . (حتی اون مباحث ریاضی که اوایل فکر میکردم مهم نیست اما مهمه )
عبدالرحیم صدیقی 1401-06-30
دانشجوی دوره
برنامه ریزی دوره خوب، محتوای دوره با کیفیت و نحوه تدریس عالی بود.
امیررضا سلطانی 1401-06-21
دانشجوی دوره
با سلام. این آموزش بسیار عالی است.
محمود کرمی 1401-06-18
دانشجوی دوره
ابتدا سلام عرض می کنم خدمت دوستان هم کلاسی! و بویژه استاد محترم دوره جناب دکتر اقبالی قبل از هز صحبتی باید مراتب سپاس خودم رو خدمت استاد گرامی ابراز کنم. در درجه بعد هم از تیم مکتب خونه ممنونم و ازشون خواهش میکنم اموزش های تکمیلی رو از اساتیدی مانند دکتر اقبالی در حوزه شبکه های عصبی و یادگیری ماشین ترتیب بدن. اما در مورد دوره باید عرض کنم دوره ای که در پیش دارید از جهت جزییات دوره بسیار خوبیه علی رغم اینکه استاد خودشون متذکر می شدند دوره دوره عملی است نه تئوریک ولی از جهت تئوریک هم رویکرد ایشون کاملا اکادمیکه به جزییات بسیار خوب پرداخته شد اگر اشنایی قبلی ندارید به نظر من جا داره دوره رو کمی تمدید کنید چون به نظرم تمام صحبت های استاد قابل تامل و داری نکته است . جمع بندی من اینه دوره بسیار بسیار مفید و بارزشی هست که من در جای دیگه نمونه اون رو حداقل در اموزش های استاید ایرانی ندیدم.
1
2

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.

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

poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن 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