آموزش یادگیری عمیق پیشرفته: مدل‌سازي توالي

یادگیری عمیق یکی از روش‌های یادگیری ماشین و هوش مصنوعی است و در این روش سعی می‌شود سیستم مغز انسان و شبکه‌های عصبی انسان را برای ماشین‌ها به کار گرفت. در این دوره یادگیری عمیق ... ادامه

برگزارکننده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
4 (15 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  67 ساعت
مجموع محتوای آموزشی:  9 ساعت ویدئو - 58 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

سرفصل‌های دوره آموزش یادگیری عمیق پیشرفته: مدل‌سازي توالي

فصل اول: Recurrent Neural Network

در این فصل مبانی شبکه‌های RNN را معرفی کرده و در ادامه با پیاده‌سازی انواع این شبکه‌ها مانند LSTM در تنسورفلو آشنا خواهیم شد.

  معرفی دوره
"10:06  
  معرفی معماری‌های RNN
"12:50  
  کوییز ویدیو معرفی معماری‌های RNN
 6.7%    
"01:00  
  مدل ریاضیاتی RNN - بخش اول
"11:44  
  کوییز مدل ریاضیاتی RNN - بخش اول
 6.7%    
"01:00  
  مدل ریاضیاتی RNN - بخش دوم
"09:59  
  کوییز مدل ریاضیاتی RNN - بخش دوم
 6.7%    
"01:00  
  لایه simpleRNN در تنسورفلو
"10:57  
  کوییز لایه simpleRNN در تنسورفلو
 6.7%    
"01:00  
  دانلود دیتاست
"09:14  
  تغییر فرمت داده به فرمتی مناسب برای لایه RNN در تنسورفلو
"26:45  
  پیاده‌سازی مدل simpleRNN در تنسورفلو
"09:29  
  کوییز پیاده‌سازی مدل simpleRNN در تنسورفلو
 6.7%    
"01:00  
  بررسی عملکرد مدل
"10:44  
  معرفی LSTM
"17:36  
  مدل LSTM - بخش اول
"13:23  
  مدل LSTM - بخش دوم
"13:50  
  کوییز مدل LSTM - بخش دوم
 6.7%    
"01:00  
  پیاده‌سازی مدل LSTM در تنسورفلو
"11:41  
  پروژه اول: بررسی ارزش سهام گوگل (الزامی)
 60%    
"360:00  
فصل دوم: Deep Autoregressive

در این فصل با مدل deepAR برای پیش‌بینی توالی به‌صورت احتمالاتی آشنا شده و این مدل را با استفاده از کتابخانه‌های GluonTS و Darts پیاده‌سازی می‌کنیم.

  پیش‌بینی احتمالاتی با مدل Autoregressive recurrent network
"15:58  
  کوییز پیش‌بینی احتمالاتی با مدل Autoregressive recurrent network
 2.9%    
"01:00  
  پیاده‌سازی Autoregressive recurrent network با Gluonts - بخش اول
"15:16  
  پیاده‌سازی Autoregressive recurrent network با Gluonts - بخش دوم
"09:28  
  کوییز پیاده‌سازی Autoregressive recurrent network با Gluonts - بخش دوم
 2.9%    
"01:00  
  پیاده‌سازی Autoregressive recurrent network با Gluonts - بخش سوم
"12:29  
  ارزیابی Autoregressive recurrent network با Gluonts
"20:18  
  معرفی ماژول Darts برای پیشبینی سری‌های زمانی
"14:15  
  کوییز معرفی ماژول Darts برای پیشبینی سری‌های زمانی
 2.9%    
"01:00  
  مروری بر امکانات تولید داده Darts
"19:19  
  پیاده‌سازی مدل RNN احتمالاتی با Darts
"21:06  
  کوییز پیاده‌سازی مدل RNN احتمالاتی با Darts
 2.9%    
"01:00  
  معرفی یک دیتاست و امکانات پردازش داده در Darts
"19:15  
  اضافه‌کردن covariate به سری زمانی
"15:28  
  کوییز اضافه کردن covariate به سری زمانی
 2.9%    
"01:00  
  پیاده‌سازی مدل RNN احتمالاتی روی داده با covariate
"04:58  
  معرفی historical_forecast و backtest در Darts
"12:09  
  پیاده‌سازی historical_forecast
"08:01  
  کوییز پیاده‌سازی historical_forecast
 2.9%    
"01:00  
  معرفی مدل N-BEATS
"09:44  
  کوییز معرفی مدل N-BEATS
 2.9%    
"01:00  
  پروژه دوم: پیاده‌سازی مدل DeepAR (الزامی)
 26.5%    
"240:00  
  پروژه سوم: آشنایی با مدل N-BEATS (الزامی)
 26.5%    
"240:00  
  پروژه چهارم: کار با دیتاست اقلیم (الزامی)
 26.5%    
"600:00  
فصل سوم: Transformer

در این فصل نحوه عملکرد مدل Transformer را می‌آموزیم و یکی از قوی‌ترین مدل‌های پیش‌بینی توالی بر اساس Transformers و LSTM را با Darts پیاده‌سازی می‌کنیم.

  معرفی Transformers
"13:56  
  مدل Transformer - بخش اول
"19:17  
  کوییز مدل Transformer - بخش اول
 4.5%    
"01:00  
  مدل Transformer - بخش دوم
"12:33  
  کوییز مدل Transformer - بخش دوم
 4.5%    
"01:00  
  مدل Transformer - بخش سوم
"13:26  
  کوییز مدل Transformer - بخش سوم
 4.5%    
"01:00  
  مدل Temporal Fusion Transformer
"17:22  
  کوییز مدل Temporal Fusion Transformer
 4.5%    
"01:00  
  پیاده‌سازی مدل Temporal Fusion Transformer در Darts - بخش اول
"14:44  
  پیاده‌سازی مدل Temporal Fusion Transformer در Darts - بخش دوم
"14:19  
  ارزیابی مدل Temporal Fusion Transformer
"16:20  
  پروژه پنجم: مدل TFT روی داده ارزش سهام (الزامی)
 40.9%    
"240:00  
  پروژه ششم: مدل TFT روی داده اقلیم (الزامی)
 40.9%    
"600:00  
فصل چهارم: Temporal Convolutional Neural Network

در این فصل با توانایی مدل‌های CNN برای پیش‌بینی توالی آشنا شده و یک مدل قدرتمند پیش‌بینی توالی بر اساس CNN را با Darts پیاده‌سازی می‌کنیم.

  پیش‌بینی سری‌های زمانی با Convolutional Neural Network
"16:07  
  پیاده‌سازی Temporal Convolutional Network در Darts
"15:42  
  کوییز پیاده‌سازی Temporal Convolutional Network در Darts
 5.3%    
"01:00  
  پروژه هفتم: مدل DeepTCN روی داده ارزش سهام (الزامی)
 47.4%    
"240:00  
  پروژه هشتم: مدل DeepTCN روی داده اقلیم (الزامی)
 47.4%    
"600:00  
فصل پنجم: Timeseries Classifications

در این فصل با classification روی داده‌های توالی آشنا شده و مدل‌های CNN و Transformer را برای این هدف با keras پیاده‌سازی می‌کنیم.

  پیاده‌سازی Time Series Classification با لایه‌های Convolutional
"13:04  
  پیاده‌سازی Time Series Classification با Transformers
"06:20  
  کوییز پیاده‌سازی Time Series Classification با Transformers
 10%    
"01:00  
  جمع‌بندی
"04:32  
  پروژه پایانی: تحلیل ضربان قلب (الزامی)
 90%    
"360:00  

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

یادگیری عمیق یکی از روش‌های یادگیری ماشین و هوش مصنوعی است و در این روش سعی می‌شود سیستم مغز انسان و شبکه‌های عصبی انسان را برای ماشین‌ها به کار گرفت.

در این دوره یادگیری عمیق پیشرفته با ساختن مدل‌های یادگیری عمیق برای پیش‌بینی توالی آشنا خواهید شد. داده‌های مختلفی در دسته‌بندی توالی قرار می‌گیرند؛ مانند سری‌های زمانی، فایل‌های متنی، ویدئو و فایل‌های صوتی.

در این دوره ما بر روی سری‌های زمانی تمرکز خواهیم داشت؛ مانند داده‌های مالی. هرچند مدل‌های معرفی شده را می‌توان برای کار با انواع داده‌های از جنس توالی به کاربرد. به این منظور در این دوره شما با مدل‌های Recurrent neural network (RNN)، Transformers و Convolutional neural network (CNN) برای کار با داده‌های از جنس توالی آشنا خواهید شد.

در دوره یادگیری عمیق پیشرفته به مباحثی همچون موارد زیر پرداخته شده است:

  • معرفی معماری‌های RNNلایه simpleRNN در تنسورفلودانلود دیتاست
  • تغییر فرمت داده به فرمتی مناسب برای لایه RNN در تنسورفلو
  • پیاده‌سازی مدل simpleRNN در تنسورفلو
  • معرفی LSTM
  • پیاده‌سازی مدل LSTM در تنسورفلو
  • پیش‌بینی احتمالاتی با مدل Autoregressive recurrent network
  • معرفی ماژول Darts برای پیش‌بینی سری‌های زمانی
  • مروری بر امکانات تولید داده Darts
  • پیاده‌سازی مدل RNN احتمالاتی با Darts
  • معرفی یک دیتاست و امکانات پردازش داده در Darts
  • اضافه‌کردن covariate به سری زمانی
  • پیاده‌سازی مدل RNN احتمالاتی روی داده با covariate
  • معرفی historical_forecast و backtest در Darts
  • پیاده‌سازی historical_forecast
  • معرفی مدل N-BEATS
  • پیاده‌سازی مدل‌های Transformer مانند Temporal Fusion Transforme برای پیش‌بینی توالی
  • پیاده‌سازی مدل‌های Convolutional  مانند Temporal Convolutional Network برای پیش‌بینی توالی
  • پیاده‌سازی مدل‌های classification برای داده‌های از جنس توالی

در انتهای این دوره شرکت‌کنندگان موضوعات زیر را فرا خواهند گرفت:

  • پیاده‌سازی شبکه‌های شامل RNN ساده
  • پیاده‌سازی شبکه‌های شامل LSTM و انواع مختلف آن
  • پیاده‌سازی پیش‌بینی‌های احتمالاتی برای کار با توالی‌ها با مدل deepAR
  • پیاده‌سازی مدل‌های Transformer برای پیش‌بینی توالی
  • پیاده‌سازی مدل‌های Convolutional برای پیش‌بینی توالی
  • آشنایی با کتابخانه GluonTS
  • آشنایی با کتابخانه Darts
     

هدف از برگزاری دوره آموزش یادگیری عمیق پیشرفته: مدل‌سازی توالی چیست؟

هدف از برگزاری این دوره آشنایی شرکت‌کنندگان با ویژگی‌های یادگیری عمیق و یادگیری چگونگی ساختن مدل‌های یادگیری عمیق برای پیش‌بینی توالی آشنا خواهید شد. در این دوره شرکت‌کنندگان با پیاده‌سازی قوی‌ترین مدل‌های موجود برای پیش‌بینی توالی آشنا خواهند شد. در انتهای این دوره افراد قادر خواهند بود مدل‌های قدرتمند را با کتابخانه‌های مختلفی در پایتون بسازند. با استفاده از آموزش‌های این دوره افراد برای کار در زمینه‌های مختلف که با داده‌های از جنس توالی سروکار دارند آماده خواهند شد.

 

دوره آموزش یادگیری عمیق پیشرفته: مدل‌سازی توالی برای چه کسانی مناسب است؟

این دوره مناسب کسانی است که با مقدمات یادگیری عمیق و لایه‌های Dense و Convolutional و نحوه عملکرد backpropagation آشنا هستند و علاقه‌مند به کار یا تحقیق در زمینه‌هایی که با داده‌های از جنس توالی سروکار دارند مانند داده‌های مالی، هواشناسي، سیستم‌های اندازه‌گیری، صوت و ویدئو و… هستند.

این دوره در سطح پیشرفته برگزار می‌شود و برای حضور در این دوره نیاز است تا مخاطبان با مباحث مقدماتی آشنایی داشته باشند.

 

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.
یونس نمکیه 1403-01-11
باسلام.دورهای اقای دکتر همشون عالیه.لطفا پیگیری کنید تا دوره ها وشاخه های دیگه در مورد یادگیری عمیق ویادگیری تقویتی عمیق رو هم برگزار کنند.ممنون از عوامل مکتب خونه
هانیه خالصی فر 1403-01-11
عالی
معصومه عظیمی 1402-12-26
مدرس خیلی به dart و glounts را توضیح نداد اما خود کار با شبکه های توالیدر تنسورفلو را عالی توضیح داد
محمدرضا سادات اخوی 1402-12-22
با عرض سلام و احترام مدرس دوره، جناب آقای پژمان اقبالی، بسیار توانمند و حرفه اس هستند. لطفا دوره های بیشتری از ایشان در اختیار بگذارید. متشکرم
علی رضا دیندار فرکوش 1402-09-28
تمرینات بهتر است به بخش های کوچک تر تبدیل شوند. در خصوص بهینه سازی پارامتر ها بهتر است جلساتی اضافه شود.بخش اخر که طبقه بندی سری های زمانی می باشد توضیحات مختصری داده شده و بهتر است کامل شود. درکل دوره ی کاربردی و مفیدی بود.
عبدالرحیم صدیقی 1401-08-03
برنامه ریزی دوره خوب، محتوای دوره با کیفیت و نحوه تدریس عالی بود.
جواد مختاری 1401-05-25
اگر با مفاهیم سرفصل‌های دوره آشنایی ندارید، برای شروع کار با داده‌های سری زمانی (نه NLP) میتونه دوره خوبی باشه. همچنین کاش استاد دوره، اسلایدهای تدریس شده رو هم در اختیار دانشجویان قرار بدن.
مهدی زارع فسقندیس 1403-01-11
با سلام نسبت به دوره هایی که داشتن این دوره خیلی ضعیف بود و عملا به مشکلات زیادی بر خورد می کنیم ولی ایشون تسلط کافی روی تنسورفلو دارن اما کتابخانه darts نه
اح م 1401-05-04
بر خلاف عنوانش برای ورود و اشنایی خوبه -معرفی دو کتابخانه darts , glounts خوب بود -مدرس به مفاهیم سریهای زمانی ومراحل انجام پروژهای سری زمانی اشنایی کامل ندارند ولی به تنسورفلو و کتابخانهایی که درس دادند تسلط کافی دارند
1402-12-08
از نظر تئوری واقعا ضعیف بود از نظر عملی صرفا بد نبود اما دلیلی که من خریداری کردم بخاطر بدست اوردن دانش بود که خب به خوبی بهم ارائه نشد شرح خوبی از شبکه ها داده نشد و زیاد هم بهشون پرداخته نشد به طوریکه سوال های بی جواب بسیاری در ذهن من نقش بسته در حال حاضر که احتمالا مجبورم تمام لیترچر رو از ابتدا مطالعه کنم متاسفانه
مسلم عسگری 1401-04-31
من انتظار داشتم با توجه به اسم دوره که نوشته #پیشرفته، مطالب پیشرفته تری بیان بشه و بیشتر به مثالهای واقعی تر و چالش های واقعی تر پرداخته بشه ولی اصلا اینطوری نیست. برای مثال در دنیای واقعی طول X_train خیلی وقتها انقدر بزرگه که روی رم جا نمیشه و گوگل کولب خطا میده و نیاز هست ما از generator ها استفاده کنیم. من اصلا خرید این دوره رو پیشنهاد نمی کنم و خودمم از خرید دوره واقعا پشیمونم. خیلی ساده و ابتدایی هست.
مکتب‌خونه
همراه عزیز؛ از اینکه نظر خود را با ما در میان گذاشتید صمیمانه سپاسگزاریم. موارد مطرح شده جهت بررسی بیشتر به بخش مربوطه ارسال شد. در صورت نیاز به پیگیری بیشتر با شما در ارتباط خواهیم بود.

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

آیا گواهی‌نامه‌های دانشگاهی به صورت رسمی و توسط دانشگاه مربوطه صادر می‌شود؟
بله؛ گواهی نامه ها توسط دانشگاه مربوطه و با امضای رئیس دانشگاه یا مسئول مربوطه که حق امضای گواهی نامه ها را دارد صادر می شود و گواهی نامه معتبر دانشگاه است که به اسم هر فرد صادر می شود.

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.
poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  67 ساعت
مجموع محتوای آموزشی:  9 ساعت ویدئو - 58 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