×
ribbon

یادگیری عمیق دانشگاه MIT

مدرس:دانشگاه MIT

Phillip Isola

سفری از مبانی یادگیری عمیق تا مدل‌های مولد و هوش مصنوعی مدرن

جدید
زیرنویس
111دانشجو
29ساعت
سرفصل‌ها
مقدماتی سطح دوره
بروزرسانیمهر ۱۴۰۵
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

مبانی یادگیری عمیق و نحوه‌ی آموزش شبکه‌های عصبی با روش‌هایی مانند Backpropagation و Gradient Descent

آشنایی با معماری‌های مهم مانند CNN، RNN، GNN و Transformer و کاربرد هرکدام

درک مفاهیم نظری مهم در Deep Learning مانند Generalization، Optimization و Representation Learning

بررسی کاربرد یادگیری عمیق در حوزه‌هایی مانند پردازش تصویر، زبان طبیعی و داده‌های گرافی

این دوره شامل:

29 ساعت ویدئو

23 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

8 فصل23 جلسه29 ساعت ویدیو
فصل 1 — مبانی و آموزش شبکه‌های عصبی
  مقدمه‌ای بر یادگیری عمیق
60:50
  چگونه یک شبکه عصبی را آموزش دهیم؟
79:33
  نظریه تقریب در شبکه‌های عصبی
82:41
فصل 2 — مبانی نظری و معماری شبکه‌ها
  معماری‌های شبکه عصبی برای داده‌های شبکه‌ای
83:56
  شبکه‌های عصبی گرافی
81:13
  نظریه تعمیم در شبکه‌های عصبی
80:30
فصل 3 — بهینه‌سازی و تعمیم‌پذیری
  قوانین مقیاس‌گذاری در بهینه‌سازی
80:55
  ترنسفورمرها و معماری‌های مبتنی بر Attention
74:34
  راهنمای عملی یادگیری عمیق
75:50
فصل 4 — معماری‌های مدرن
  معماری‌های حافظه و مدل‌سازی توالی
73:27
  یادگیری بازنمایی با روش‌های بازسازی
81:03
فصل 5 — Representation Learning
  یادگیری بازنمایی مبتنی بر شباهت
76:19
  نظریه یادگیری بازنمایی
75:20
  مبانی مدل‌های مولد
81:17
فصل 6 — مدل‌های مولد
  از یادگیری بازنمایی تا مدل‌سازی مولد
80:39
  مدل‌های مولد شرطی
81:31
  تعمیم خارج از توزیع (OOD)
64:40
فصل 7 — تعمیم، انتقال و مقیاس‌پذیری
  یادگیری انتقالی: مدل‌ها
85:41
  یادگیری انتقالی: داده‌ها
75:43
  قوانین مقیاس‌گذاری در یادگیری عمیق
38:22
فصل 8 — مدل‌های زبانی و مباحث پیشرفته
  مدل‌های زبانی
77:22
  یادگیری عمیق متریزه
67:49
  الگوریتم‌های استنتاج در یادگیری عمیق
83:12

پیش‌نیاز‌ها

احتمال و آمار در حد متوسط
مبانی Machine Learning؛ مثل regression، classification، loss function، overfitting و regularization
ریاضیات دانشگاهی، به‌خصوص جبر خطی و مشتق و گرادیان
برنامه‌نویسی با Python و آشنایی مقدماتی با NumPy/PyTorch
آشنایی کلی با بهینه‌سازی و Gradient Descent

توضیحات دوره

این دوره فرصتی برای آشنایی عمیق‌تر با ایده‌ها و روش‌هایی است که پایه‌ی بسیاری از پیشرفت‌های امروزی در هوش مصنوعی را تشکیل می‌دهند. در این دوره، مفاهیمی مانند شبکه‌های عصبی، Backpropagation، CNNها، RNNها، Graph Neural Networks و Transformerها در کنار مباحث نظری یادگیری عمیق بررسی می‌شوند. اگر می‌خواهید فراتر از استفاده از مدل‌های آماده بروید و درک بهتری از نحوه‌ی یادگیری، عملکرد و طراحی مدل‌های Deep Learning به دست آورید، این دوره می‌تواند نقطه شروع مناسبی باشد.

دیدگاه کاربران

5

بر اساس امتیاز 3 دانشجو

1
2
3
4
5

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

ضمانت بازگشت وجه

کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.

مهلت درخواستتا ۱۵ روز پس از خرید دوره
میزان مشاهدهکمتر از ۲۰ درصد یا ۵ جلسه از دوره
1دوره
111دانشجو
3نظر و امتیاز

Phillip Isola استاد علوم کامپیوتر در MIT و پژوهشگر حوزه هوش مصنوعی و یادگیری عمیق است. پژوهش‌های او بر یادگیری بازنمایی، بینایی ماشین، مدل‌های مولد و درک و تولید محتوای بصری با استفاده از یادگیری عمیق متمرکز است.

poster

یادگیری عمیق دانشگاه MIT

111دانشجو

دوره‌های مشابه