×
ribbon

آموزش شبکه عصبی و یادگیری عمیق

امروزه در علوم کامپیوتر دو مبحث بسیار مهم با نام شبکه عصبی و یادگیری عمیق پدید آمده است. شبکه‌های عصبی دسته‌ای از الگوهای برنامه‌نویسی هستند که برای آموختن از داده‌های مشاهده‌ای از زیست‌شناسی الهام گرفته‌اند. ... ادامه

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
3.3 (17 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  16 ساعت
مجموع محتوای آموزشی:  7 ساعت ویدئو - 9 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  4 هفته
  
حد نصاب قبولی در دوره:  75 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.

تغییرات دوره آموزش شبکه عصبی و یادگیری عمیق

نسخه 1.0 - 1399/12/30

انتشار اولیه

نسخه 1.1 - 1401/04/20

زیرنویس تمامی جلسات دوره اصلاح و به‌روزرسانی شد.

پیش‌نیاز‌ها

دوره آموزش یادگیری عمیق و شبکه عصبی اولین دوره از مجموعه تخصص یادگیری عمیق اندرو بوده و از معرفی و توضیح مبانی این دو علم شروع می‌کند و رفته رفته سطح مباحث آموزشی را ارتقا می‌دهد. پس از آموزش مقدماتی با شبکه‌های عصبی کم‌عمق و سپس عمیق آشنا می‌شوید و انتظار می‌رود که بتوانید آن‌ها را در عمل به کار ببرید. 

برای شرکت در دوره آموزش دیپ‌لرنینگ و شبکه عصبی بهتر است به حداقل یک زبان برنامه‌نویسی تسلط داشته باشید. همچنین توصیه می‌شود ابتدا مهارت‌ها و دانش‌های زیر را فرا بگیرید:

  • آشنایی با علم ریاضیات در حوزه‌های جبر، هندسه و غیره
  • تسلط بر زبان‌های برنامه‌نویسی پایتون یا R

سرفصل‌های دوره آموزش شبکه عصبی و یادگیری عمیق

فصل اول: مقدمه‌ای بر یادگیری عمیق

برای شروع آموزش deep learning ابتدا بهتر است بدانید که شبکه عصبی چیست. همان‌طور که گفتیم شبکه عصبی الگوهایی از برنامه‌نویسی هستند که برای یادگیری از عملکرد مغز الهام می‌گیرند. نوعی از یادگیری شبکه‌های عصبی یادگیری تحت نظارت نام دارد.

در این فصل می‌آموزید که شبکه‌های عصبی چیست و یادگیری عمیق چرا در حال پیشرفت است؛ بنابراین انتظار می‌رود که در انتهای این فصل بتوانید روندهایی که باعث گسترش یادگیری عمیق شده‌اند را توضیح دهید و درک کنید این تکنولوژی امروزه در کجا و به چه صورت استفاده می‌شود.

  مقدمه
"05:42  
  شبکه عصبی چیست؟
"07:26  
  یادگیری نظارت شده با شبکه عصبی
"08:39  
  چرا یادگیری عمیق
"10:31  
  در مورد این دوره
"02:37  
  منابع این دوره
"02:05  
  مصاحبه با Geoffrey Hinton
"40:32  
  آزمون فصل اول
 100%    
"10:00  
فصل دوم: شبکه عصبی پایه

این فصل به آموزش شبکه‌های عصبی می‌پردازد. در این فصل با مفاهیم اساسی این تکنولوژی از جمله طبقه‌بندی باینری، رگرسیون لجستیک و تابع هزینه آن، گرادیان کاهشی، بردارها و غیره آشنا می‌شوید.

بنابراین در انتهای فصل شما خواهید توانست یک مشکل یادگیری ماشین را با ذهنیت شبکه عصبی حل کنید. همچنین می‌توانید از بردارسازی برای سرعت بخشیدن به مدل‌های خود بهره ببرید.

  دسته‌بندی دوتایی
"08:33  
  Logistic Regression
"06:09  
  تابع هزینه برای Logistic Regression
"08:21  
  گرادیان نزولی
"11:33  
  مشتقات
"07:20  
  مثال‌های بیشتر از مشتقات
"10:37  
  گراف محاسباتی
"03:43  
  مشتقات با استفاده از گراف محاسباتی
"14:44  
  گرادیان نزولی logistic regression
"06:52  
  گرادیان نزولی روی m مثال
"08:10  
فصل سوم: پایتون و برداری‌کردن
  برداری کردن
"08:14  
  مثال‌های بیشتر از برداری کردن
"06:29  
  برداری کردن رگرسیون خطی
"07:42  
  برداری کردن خروجی گرادیان رگرسیون لجیستیک
"09:47  
  کدنویسی در پایتون
"11:16  
  نکاتی در مورد بردارها در Numpy
"06:59  
  مروری بر Jupyter Notebook
"03:53  
  توضیحی بر تابع هزینه در رگرسیون لاجیستیک
"07:24  
  مصاحبه با LecturePieter Abbeel
"16:13  
  آزمون فصل سوم
 40%    
"09:00  
  پروژه اول – رگرسیون لجستیک (الزامی)
 60%    
"120:00  
فصل چهارم: شبکه عصبی سطحی

شبکه‌های عصبی کم‌عمق تنها از یک یا دولایه پنهان تشکیل شده‌اند. درک یک شبکه عصبی کم‌عمق این بینش را به ما در فهم این‌که داخل یک شبکه عصبی چه می‌گذرد، کمک می‌کند. ازاین‌رو این فصل به آموزش شبکه‌های عصبی کم‌عمق اختصاص یافته است.

در این فصل با نمای کلی شبکه‌های عصبی، نمایندگی شبکه‌های عصبی، محاسبه خروجی یک شبکه عصبی، توابع فعال‌ساز و مشتقات آن‌ها و سایر مباحث مرتبط آشنا می‌شوید.

  مروری بر شبکه‌های عصبی
"04:36  
  نمایش شبکه‌ عصبی
"05:24  
  محاسبه خروجی شبکه عصبی
"10:08  
  برداری کردن(vectorizing) چند مثال
"09:15  
  توضیحی بر پیاده سازی برداری شده(Vectorized Implementation)
"07:47  
  تابع فعالساز
"11:06  
  چرا به توابع فعالساز غیر خطی لازم است؟
"05:46  
  مشتثات تابع فعالساز
"08:07  
  گرادیان نزولی در شبکه عصبی
"10:07  
  Backpropagation
"15:58  
  مقداردهی اولیه‌ تصادفی
"08:07  
  مصاحبه با Ian Goodfellow
"15:05  
  آزمون فصل چهارم
 40%    
"10:00  
  پروژه دوم – پیاده سازی شبکه عصبی با یک لایه مخفی (الزامی)
 60%    
"120:00  
فصل پنجم: شبکه عصبی عمیق

این فصل به آموزش شبکه‌های عصبی عمیق می‌پردازد. روش انتشار روبه‌جلو و پس انتشار در شبکه عمیق، بلوک‌های سازنده شبکه‌های عمیق عصبی، پارامترها و هایپر پارامترها (Hyperparameters) و غیره از مباحث مطرح در این فصل است. 

همچنین در این فصل می‌آموزید که این شبکه‌ها با مغز چه ارتباطی دارند. در انتهای فصل انتظار می‌رود که شما بتوانید محاسبات کلیدی زیربنایی یادگیری عمیق را درک کرده، از آن‌ها برای ساخت و آموزش شبکه عصبی عمیق استفاده کنید و آن را در بینایی کامپیوتر به کار ببرید.

  شبکه عصبی L لایه عمیق
"06:01  
  forward propagation در شبکه عصبی عمیق
"07:25  
  ایجاد صحیح ابعاد ماتریس
"11:20  
  چرا نمایش عمیق
"10:43  
  ساخت بلوک های شبکه عصبی عمیق
"08:43  
  Forward and Backward Propagation
"10:39  
  پارامترها در برابر هایپرپارامترها
"07:26  
  این مباحث چه ارتباطی با مغز دارد
"03:27  
  آزمون فصل پنجم
 25%    
"10:00  
  پروژه سوم – ایجاد شبکه عصبی قدم به قدم (الزامی)
 37.5%    
"120:00  
  پروژه چهارم – کاربرد شبکه های عصبی عمیق (الزامی)
 37.5%    
"120:00  

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.

درباره دوره

امروزه در علوم کامپیوتر دو مبحث بسیار مهم با نام شبکه عصبی و یادگیری عمیق پدید آمده است. شبکه‌های عصبی دسته‌ای از الگوهای برنامه‌نویسی هستند که برای آموختن از داده‌های مشاهده‌ای از زیست‌شناسی الهام گرفته‌اند. به عبارت ساده‌تر، این شبکه‌ها برای یادگیری از نحوه عملکرد مغز بهره می‌برند.

یادگیری عمیق مجموعه قدرتمندی از تکنیک‌ها برای یادگیری در شبکه‌های عصبی است. در واقع یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین محسوب می‌شود و شبکه‌های عصبی اسکلت یادگیری عمیق را تشکیل می‌دهند. 

شبکه‌های عصبی و یادگیری عمیق در حال حاضر بهترین راه‌حل‌ها را برای بسیاری از مشکلات در تشخیص تصویر، تشخیص گفتار و پردازش زبان طبیعی (natural language processing) ارائه می‌دهند. اگر شما هم از علاقه‌مندان و فعالان حوزه تکنولوژی‌های نوظهور هستید، آموزش شبکه عصبی مصنوعی و یادگیری عمیق مکتب‌خونه را از دست ندهید.

هدف از آموزش شبکه عصبی و یادگیری عمیق چیست؟

آموزش شبکه‌های عصبی و یادگیری عمیق، اولین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. در این دوره شما با مفاهیم بنیادی شبکه عصبی و یادگیری عمیق آشنا خواهید شد. این دوره به شما کمک می‌کند که قابلیت‌ها، چالش‌ها و پیامدهای یادگیری عمیق را درک کنید. همچنین آموزش یادگیری عمیق شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده می‌کند.

بنابراین این دوره مسیری برای شما فراهم می‌کند که دانش و مهارت لازم را برای استفاده از یادگیری ماشین در کار خود کسب کنید، سطح فنی خود را ارتقا داده و گام نهایی را برای ورود به دنیای هوش مصنوعی بردارید.

بعد از فراگیری دوره آموزش شبکه عصبی و یادگیری عمیق چه مهارت‌هایی کسب خواهید کرد؟

  • آشنایی با یادگیری عمیق
  • آشنایی با شبکه عصبی مصنوعی
  • برنامه‌نویسی پایتون
  • روش پس انتشار (Backpropagation)
  • معماری شبکه عصبی

 

درباره استاد

maktabkhooneh-teacher Andrew Ng

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.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران  ( نظر)

صفحه 1 از
علیرضا فرزین پور 1400-08-23
نسخه‌ 1 دوره
این دوره رو به شدت توصیه می کنم ؛ و خوبیش هم این هست که دید بسیار خوبی در چگونگی پیشبرد فرآیند یادگیری در یک الگوریتم و به خصوص نحوه پیاده سازیش از پایه در پایتون ایجاد می کند . و پروژه های بسیار خوبی هم برای تثبیت این دید فراهم کرده ، در کل خیلی عالیه ! ممنونم از مکتب خونه
مسلم محمدباقری 1400-03-23
نسخه‌ 1 دوره
یکم بی کیفیت هست ولی عالیه
سید آرش سجادی 1400-09-11
نسخه‌ 1 دوره
دوره بسیار خوبی است من درسی که همپوشانی بسیار بالایی با این درس دارد را در حال حاضر در دانشگاه شهید بهشتی در حال گذراندن هستم. استادم بسیار مفاهیم را سنگین تر و البته با جزئیات بیشتر بیان می کند، لذا این دوره برای من به شخصه خیلی روان تر و کاربردی تر هست. از مکتب خونه خیلی متشکرم که این دوره رو به رایگان منتشر کردند و البته پیشنهاد میکنم زیر نویس انگلیسی را قرار دهند چون مشخصه مترجم تخصصی در این زمینه نداشته و مثلا بار ها شامل ترجمه نادرست لغت های تخصصی بودم به طوری که به شخصه زیر نویس را خاموش میکنم که به اشتباه نیوفتم
مکتب‌خونه
همراه عزیز از اینکه نظر خود را با ما به اشتراک گذاشته اید از شما سپاسگزاریم همچنین موارد ذکر شده از طریق واحد مربوطه پیگیری میشود
علی اشرفی 1401-06-20
نسخه‌ 1 دوره
با عرض سلام و خسته نباشید، ممنون بابت تولید این محتوای آموزشی من ویدئو های دوره رو بطور کامل دیدم ، بنظرم یه ایراد بزرگی که این دوره داره اینه که در حین تدریس مثال های عینی بابت انتقال مفاهیم زده نمیشه و فقط با پارامتر ها جلو میرن که همین موضوع باعث میشه انتقال مفاهیم خیلی خوب انجام نشه
الهام محمودی 1401-05-04
نسخه‌ 1 دوره
همونطور که خودتون اشاره کردین ویدئوهای این دوره به طور رایگان در کورسرا قابل دیدن هست. علت اینکه من شخصا دوره رو از مکتب خونه تهیه کردم اینه که توی کورسرا امکان انجام کوئیزها و پروژه ها نیست. و هم چنین زیرنویس فارسی. ولی با مقایسه ی کوئیز هفته اول متوجه شدم سوال ها مشابه سوالات کورس اصلی نیست و هم چنین زیرنویس با فونت بسیار بزرگ و مزاحم ویدئو و لغات نامانوس مثل واژه ی ترانهاده به جای transpose تهیه شده به علاوه کیفیت پایین ویدئو که نظرم رو منفی کرد و شخصا گذروندن کورس های اندرو انگ رو در مکتب خونه توصیه نمی کنم.
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 ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.

سوالات پرتکرار

اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.

سوالات پرتکرار

آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.
poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  16 ساعت
مجموع محتوای آموزشی:  7 ساعت ویدئو - 9 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  4 هفته
  
حد نصاب قبولی در دوره:  75 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.