×
ribbon

تا پایان تخفیف

آموزش بهبود شبکه‌های عصبی عمیق

مدرس:

Andrew Ng

شبکه عصبی عمیق یک شبکه عصبی با سطح مشخصی از پیچیدگی و بیش از دولایه است. این نوع... بیشتر
زیرنویس
دسترسی: کامل
اطلاعات بیشتر
3.3 (17)
5 دیدگاه
1,749دانشجو
12ساعت
سرفصل‌ها
مقدماتی سطح دوره

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

این دوره شامل:

6 ساعت ویدئو

35 تمرین و پروژه

30 سؤال سنجش و یادگیری

3 فایل ضمیمه قابل دانلود

دسترسی به تالار گفتگو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

4 هفته مهلت ارسال تمرین و پروژه

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

3 فصل37 جلسه6 ساعت ویدیو
فصل اول: جنبه‎‌های عملیاتی یادگیری عمیق
  آموزش، توسعه و تست مجموعه داده
12:14
  بایاس و واریانس
08:56
  دستور العمل اصلی برای یادگیری ماشین
06:31
  منظم‌سازی (regularization)
09:52
  چرا منظم‌سازی (regularization)، overfitting را کاهش می‌دهد
07:19
  Dropout Regularization
09:35
  درک dropout
07:14
  دیگر روش‌های regularization
08:34
  نرمال‌سازی ورودی‌ها
05:40
  Vanishing Exploding gradients
06:17
  وزن‌دهی اولیه شبکه‌های عمیق
06:22
  Numerical approximation of gradients
06:45
  Gradient checking
06:44
  نکات پیاده‌سازی Gradient checking
05:28
  مصاحبه با Yoshua Bengio
25:58
  آزمون فصل اول
10:00
  پروژه اول – مقدار دهی اولیه (الزامی)
60:00
  پروژه دوم – رگولاریزاسیون (الزامی)
60:00
  پروژه سوم – بررسی گرادیان (الزامی)
60:00
فصل دوم: الگوریتم‌های بهینه‌سازی
  Mini-batch gradient descent
11:38
  درک mini-batch gradient descent
11:28
  میانگین‌های وزن‌دهی شده‌ی نمایی
06:08
  درک میانگین وزن‌دهی شده‌ی به صورت نمایی
09:52
  تصحیح بایاس‌ها در میانگین وزن‌دهی شده به صورت نمایی
04:21
  گرادیان نزولی با مومنتوم
09:30
  RMSprop
07:51
  الگوریتم بهینه‌سازی آدام (َAdam)
07:17
  زوال ضریب یادگیری
06:54
  مشکل مینیمم محلی
05:33
  مصاحبه با Yuanqing Lin
13:46
  آزمون فصل دوم
10:00
  پروژه چهارم – بهینه‌سازی (الزامی)
30:00
فصل سوم: تنظیم ابرپارامترها، نرمال‌سازی دسته‌ای و چارچوب‌های برنامه‌نویسی
  فرآیند تنظیم (tuning)
07:20
  استفاده از مقیاس مناسب برای انتخاب ابرپارامترها
09:00
  تنظیم Hyperparameters در عمل با Pandas و Caviar
07:01
  نرمال‌سازی توابع فعال‌ساز در شبکه
09:05
  Fitting Batch Norm into a neural network
13:05
  چرا نرمال‌سازی به صورت Batch کار می‌کند؟
11:49
  نرمال‌سازی به صورت Batch در زمان تست
05:56
  Softmax Regression
11:57
  آموزش یک Softmax Classifier
10:17
  فریم‌ورک‌های یادگیری عمیق
04:25
  Tensorflow
16:17
  آزمون فصل سوم
10:00
  پروژه پنجم – شروع کار با Tensorflow (الزامی)
120:00

پیش‌نیاز‌ها

این آموزش دومین دوره از مجموعه تخصص یادگیری عمیق اندرو بوده به آموزش بهبود شبکه عصبی عمیق می‌پردازد؛ بنابراین برای درک کامل موارد ذکرشده در این دوره شما باید با این شبکه‌ها آشنایی داشته باشید. تسلط بر یکی از زبان‌های برنامه‌نویسی و آشنایی با مدل‌سازی و مباحث ریاضیاتی برای شرکت در این دوره ضروری است.

توضیحات دوره

شبکه عصبی عمیق یک شبکه عصبی با سطح مشخصی از پیچیدگی و بیش از دولایه است. این نوع شبکه‌ها از مدل‌سازی سطح بالای ریاضی برای پردازش داده‌ها به روش‌های پیچیده استفاده می‌کنند.

به‌طورکلی شبکه عصبی یک فناوری است که برای شبیه‌سازی فعالیت مغز انسان ساخته شده‌است؛ شناخت الگو و عبور ورودی از طریق لایه‌های اتصالات عصبی شبیه‌سازی شده مختلف از مهم‌ترین این فعالیت‌هاست.

بسیاری از کارشناسان شبکه‌های عصبی عمیق را شبکه‌هایی تعریف می‌کنند که یک‌لایه ورودی، یک‌لایه خروجی و حداقل یک‌لایه پنهان در بین آن‌ها دارند. هر لایه نوع خاصی از مرتب‌سازی و ترتیب را در فرایندها انجام می‌دهند.

یکی از کاربردهای کلیدی شبکه عصبی عمیق سروکار داشتن با داده‌های بدون برچسب یا ساختار نیافته است. عبارت یادگیری عمیق هم برای توصیف این شبکه‌های عصبی عمیق به کار می‌رود؛ چراکه یادگیری عمیق شکل خاصی از یادگیری ماشین را نشان می‌دهد که در آن فناوری‌ها با استفاده از جنبه‌های هوش مصنوعی به دنبال طبقه‌بندی و تنظیم اطلاعات فراتر از پروتکل‌های ساده ورودی و خروجی هستند.

 

هدف از یادگیری دوره آموزش بهبود شبکه‌های عصبی عمیق چیست؟

آموزش بهبود شبکه عصبی عمیق، دومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. هدف از این دوره این است که بتوانید فرایندهایی که منجر به کارایی می‌شوند و به طور سیستماتیک نتایج خوبی به بار می‌آورند، را درک کنید.

در پایان این دوره شما خواهید توانست بهترین روش‌ها را برای آموزش و توسعه مجموعه‌های آزمون و تجزیه و تحلیل بایاس واریانس استفاده کرده و آن‌ها را برای ایجاد برنامه‌های یادگیری عمیق به کار ببرید. 

 

دوره آموزش بهبود شبکه‌های عصبی عمیق مناسب چه کسانی است؟

  • کسانی که با هوش مصنوعی آشنایی دارند و می‌خواهند مهارت‌های خود را ارتقا دهند.
  • برنامه‌نویسانی که به کار کردن در حوزه بهبود شبکه عصبی عمیق علاقه‌مندند.
  • دانشجویان علوم مهندسی، پزشکی و پایه

 

بعد از فراگیری دوره آموزش بهبود شبکه‌های عصبی عمیق چه مهارت‌هایی کسب خواهید کرد؟

با گذراندن این دوره مهارت‌های شما در زمینه بهبود شبکه‌های عصبی عمیق ارتقا پیدا خواهد کرد و می‌توانید از تکنیک‌های استاندارد شبکه عصبی عمیق استفاده کنید. این تکنیک‌ها عبارت‌اند از:

  • تنسورفلو (Tensorflow)
  • یادگیری عمیق
  • بهینه‌سازی ریاضی
  • تنظیم هایپر پارامترها
  • مقداردهی اولیه
  • نرمال‌سازی بسته‌ها
  • پیاده‌سازی و به‌کارگیری انواع الگوریتم‌های بهینه‌سازی

 

 

دیدگاه کاربران

3.3

بر اساس امتیاز 17 دانشجو

1
2
3
4
5

علیرضا فرزین پور

4 سال پیش

5

دوره های Dr. Adnrew Ng فوق العاده هستن و ویدیو های این دوره ها رو میشه هر چند وقت یکبار باز هم مرور کرد و بیشتر به حرف هایی که در ویدیو ها گفته میشه فکر کرد . از مکتب خونه بابت این دوره ها بسیار سپاس گذارم و امیدوارنم دوره های این شکلی بیشتری اضافه بشه .

آرتین دانشور

2 سال پیش

3

زیرنویس دوره بد بود

میلاد سیف الهی

4 سال پیش

3

دوره فوق العادس ولی زیرنویس صرفا از روی گوگل ترنسلیت ترجمه شده. اگر امکانش هست مترجمی برای این کار پیدا کنید.

جعفر صالحي

3 روز پیش

2

bad

نجمه پورخمیسی

2 سال پیش

1

زیر نویس دوره بسیار بد و مبتدی هست . در صورت کمی آشنایی با مفاهیم یادگیری ماشین به سادگی متوجه ضعف زیرنویس خواهید شد.

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
20دوره
32,310دانشجو
415نظر و امتیاز

اندرو انگ استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین بنیان‌گذار کورسرا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا است.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه‌های پژوهش او هوش مصنوعی و علوم رباتیک است.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

دیگر دوره‌های Andrew Ng

سوالات پرتکرار

آیا ممکن است برخی جلسات یک درس ناقص باشند؟

معمولا تمامی جلسات هر درس به‌طور کامل ضبط می‌شوند؛ اما گاهی به دلیل برخی ناهماهنگی‌ها ممکن است یک یا چند جلسه ضبط نشده باشد. جزئیات این موارد در توضیحات هر درس درج شده است.

اگر لینک دانلود یا پخش ویدئو مشکل داشت، چه کاری باید انجام داد؟

در صورت مواجهه با هرگونه مشکل در دانلود یا پخش ویدئو، می‌توانید از طریق صفحه ارتباط با ما اطلاع دهید تا تیم پشتیبانی به‌سرعت مشکل را بررسی و رفع کند.

آیا می‌توان ویدئوهای یک درس را به‌صورت سی‌دی یا دی‌وی‌دی از شما تهیه کرد؟

در حال حاضر امکان ارسال دروس به‌صورت سی‌دی یا دی‌وی‌دی وجود ندارد و همه محتواها به شکل آنلاین ارائه می‌شوند.