×
ribbon

آموزش رایگان یادگیری عمیق کاربردی

مدرس:

جواد کاظمی‌تبارعاطفه عطائی

یادگیری عمیق به عنوان یکی از روش های یادگیری ماشین شناخته می شود. در یادگیری عمیق سعی می... بیشتر
3.3 (27)
9 دیدگاه
7,786دانشجو
10ساعت
سرفصل‌ها

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:

10 ساعت ویدئو

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

4 فصل32 جلسه10 ساعت ویدیو
فصل اول: آشنایی مقدماتی با پایتون و محیط‌های مختلف اجرای برنامه
  مقدمه‌ای بر پایتون
46:05
  متغیرها در پایتون
16:24
  آشنایی با محیط Google Colab
26:18
  بارگذاری دیتاست در محیط Google Colab
30:58
  نصب PyCharm
10:47
  برنامه‌نویسی در محیط دستگرمی (Playground) PyCharm
15:53
  آشنایی با کتابخانه‌های TensorFlow و Numpy در محیط Colab
22:25
  آشنایی با مفهوم environment و نصب با pip
06:00
فصل دوم (اختیاری): آماده‌سازی سخت‌افزار و نرم‌افزار مبتنی بر GPU
  سازگاری مادربورد با GPU
02:35
  اتصال همزمان دو پاور به کامپیوتر برای تغذیه GPU
08:02
  نصب TensorFlow سازگار با GPU در ویندوز - قسمت اول
14:54
  نصب TensorFlow سازگار با GPU در ویندوز - قسمت دوم
09:32
  اتصال GPU به لپتاپ
07:03
  نصب TensorFlow سازگار با GPU در لینوکس
16:14
  نصب TensorFlow سازگار با GPU در R-Studio
10:17
فصل سوم: آشنایی با مفاهیم پایه
  آشنایی با رگرسیون لجستیک به عنوان پایه‌ی شبکه‌های عصبی
29:15
  مفهوم Backpropagation در رگرسیون لجستیک
31:10
  برداری‌سازی Backpropagation در رگرسیون لجستیک
13:55
  تعریف شبکه عصبی به عنوان تعمیمی از رگرسیون لجستیک
34:54
  پیدا کردن Backpropagation در شبکه عصبی
26:16
  مفاهیم شبکه عصبی عمیق
31:44
  طبقه‌بندی کلی یادگیری عمیق
13:10
  شبکه‌های عصبی کانولوشنی
26:52
  برخی تعاریف مرتبط: FP, FN, TP, TN، منحنی‌های ROC, PR
44:13
فصل چهارم: آشنایی با چند شبکه معروف
  کار با شبکه VGG
16:43
  کار با شبکه ResNEet
11:12
  مثال تبدیل صوت به اسپکتوگرام
10:02
  آشنایی با شبکه YOLO
21:03
  یادگیری عمیق در متلب
11:26
  کار با شبکه AlexNet
10:29
  آشنایی با Autoencoder
33:54
  آشنایی با LSTM
15:30

پیش‌نیاز‌ها

اصلی­‌ترین پیش­‌نیاز این دوره آشنایی کلی با مفاهیم مربوط به یادگیری ماشین است. به‌طورکلی در این دوره سعی شده تا مفاهیم به ساده‌­ترین شکل و با لحنی روان بیان شوند، اما برای استفاده کامل از مطالب ارائه شده آشنایی با مفاهیم اولیه ضروری به نظر می‌­­رسد.

توضیحات دوره

«یادگیری عمیق» به عنوان یکی از روش‌­های «یادگیری ماشین» شناخته می­‌شود. در یادگیری عمیق سعی می‌کنیم تا فعالیت ماشین‌­ها - سیستم­‌های کامپیوتری - را براساس شبیه‌­سازی سیستم عصبی انسان برنامه‌­ریزی کنیم. به این جهت می‌­توانیم یادگیری عمیق را مدلی بدانیم که بر اساس سیستم عصبی انسان شبیه‌سازی شده است. استفاده از یادگیری عمیق این قابلیت را در سیستم به وجود می‌­آورد که ماشین - سیستم کامپیوتری - بتواند در هر موقعیت تصمیماتی مشابه تصیمات مغز انسان ارائه کند.

یادگیری عمیق در بسیاری از فعالیت­‌های روزمره ما می­‌تواند کاربردی و موثر باشد، اما برای داشتن مثال می­‌توانیم به مواردی همچون بات‌­های چت، ترجمه، تشخیص چهره و ... اشاره کرد.

در دوره آموزش رایگان یادگیری عمیق کاربردی چه مباحثی را یاد می‌گیرید؟

در دوره آموزش رایگان یادگیری عمیق کاربردی با موارد گسترده‌­ای آشنا خواهید شد. اگر قصد دارید به‌صورت عملی و پروژه‌محور این مهارت را یاد بگیرید، می‌توانید از آموزش یادگیری عمیق با پایتون استفاده کنید. از آشنایی با مفاهیم اولیه گرفته تا جدیدترین و پیچیده‌­ترین مسائل مربوط به این چهارچوب در این دوره گنجانده شده است. به طور مشخص مباحث این دوره به صورت زیر تعریف شده است:

  • معرفی دوره و پیش‌­نیازها (پایتون، آشنایی مقدماتی با مفاهیم یادگیری ماشین)
  • معرفی یادگیری عمیق (یادگیری عمیق چیست و مثال­‌هایی کاربردی از یادگیری عمیق)
  • آشنایی با سخت­‌افزارهای قابل استفاده و نحوه اتصال آن‌ها به نرم‌افزار
  • آشنایی با نرم‌­افزارها و محیط برنامه­‌نویسی Google Colab 
  • آشنایی با مفاهیمی همچون گرادیان، تابع هزینه، تابع فعال­‌سازی، توابع بهینه­‌ساز، forward propagation، back propagation و اجزای اصلی معماری­‌های شبکه عمیق
  • معرفی کتابخانه Tensorflow و Keras در پایتون
  • شبکه کانولوشنی و کاربردهای آن (پیاده‌سازی مفهومی کانولوشن در پایتون، معرفی Conv2D در Tensorflow)
  • معرفی پایگاه دادگان معروف برای پروژه‌های مختلف
  • آشنایی با مفاهیم طبقه‌­بندی، تشخیص اشیا و بازشناسایی و بخش‌­بندی تصویر
  • بررسی معماری شبکه‌های Googlenet و VGGNet
  • بررسی معماری شبکه‌های Resnet
  • بررسی معماری شبکه‌های RNN و LSTM
  • آموزش Pytorch
  • معرفی معماری شبکه R-CNN، Fast R-CNN ، Faster R-CNN
  • معرفی معماری مجموعه شبکه‌های YOLOv1- YOLOv5
  • معرفی معماری شبکه GAN ، انواع آن و کاربردها
  • بررسی مشکلات در پروژه‌­های عملی یادگیری عمیق
  • بررسی تکنیک­‌های استخراج بهترین نتایج در حل مسائل

 

دوره آموزش رایگان یادگیری عمیق کاربردی برای چه کسانی مناسب است؟

مطالب این دوره به شما در راه آموزش یادگیری عمیق کمک فراوانی خواهد کرد و برای همه افرادی که به نحوی علاقه­‌مند به یادگیری ماشین هستند مناسب خواهد بود.

 

** دوره در حال تکمیل است

دیدگاه کاربران

3.3

بر اساس امتیاز 27 دانشجو

1
2
3
4
5

دانشجوی دوره

2 سال پیش

5

با سلام و خسته نباشیدخدمت استادان محترم، این دوره بسیار مفید و شامل نکات مهم و کلیدی است به همین علت از دو استاد محترم دوره تشکر و به آنها خسته نباشید میگویم.

مهدی نقدی

10 ماه پیش

4

با تشکر از ارائه این دوره فقط یک نکته ای که این دوره داره خیلی سریع از بعضی موضوع ها رد میشه و این روش مناسب کسانی نیست که پیش زمینه ندارن.

علی محمدی

4 سال پیش

3

درود و سپاس از زحمات استاد و تیم پرتلاش مکتب‌خونه. هنوز دوره رو نگذروندم، اما تیزر رو نگاه کردم. متاسفانه تیزر بسیار پراکنده هست و هیچ توضیح مشخصی دربارهٔ محتوای دوره ارائه نمی‌ده. در چند ثانیه پایانی تیزر در مورد نصب دو پاورساپلای به صورت همزمان بر روی کامپیوتر صحبت می‌شه که اگر چه آموزنده بود اما هیچ ربطی به مباحث این دوره نداشت. بسیار عجیب بود برام. در ضمن من هنوز دوره رو ندیدم و این موضوع که برای ثبت نظر باید حتما امتیاز مشخص کنم خوب نیست. بالاجبار برای ثبت نظرم امتیاز میانگین رو ثبت می‌کنم.

نسترن زندی

11 روز پیش

2

مطالب خیلی پراکنده و گنگ بود ولی در کل برای یه دید اولیه بد نبود

بهزاد مقدم

2 ماه پیش

2

آموزشی بسیار سطحی و با کلامی عامیانه و کاملا غیر منسجم.

محمد جواد مرادی

1 سال پیش

2

با سلام و عرض خسته نباشید این دوره نمیتواند به تنهایی برای آموزش"یادگیری عمیق" کافی باشد مطالب پراکنده، ناکافی و کیفیت تدریس پایین است مطالب بیان شده به طوری مورد انتظار است تدریس نمیشوند این دوره بیشتر"آشنایی با یادگیری عمیق" است تا آموزش کامل.

16دوره
40,721دانشجو
248نظر و امتیاز

سید جواد کاظمی تبار برنده مدال نقره کشوری در المپیاد سال ۱۳۷۷ و نفر سوم کنکور سراسری در سال ۱۳۷۸، مدارک کارشناسی و دکتری خود را در رشته برق و کامپیوتر به ترتیب در دانشگاه صنعتی شریف (۱۳۸۲) و دانشگاه کالیفرنیا در شهر ارواین (۱۳۸۷) دریافت نمود. وی در سال ۱۳۹۱ و به هنگام کار در شرکت Guardian Analytics با روش‌های داده‌کاوی در کشف تقلب‌های بانکی آشنا گردید. در همان شرکت بود که وی موفق به اخذ گواهینامه امنیت +Comptia Security گردید. مطالعه کتاب‌ها و دوره‌های انجمن بازرسان تقلب گواهی شده وی را با انواع تقلب در صنایع بیمه، بانک و بورس اوراق بهادار آشنا نمود. وی پس از بازگشت به ایران و از سال ۱۳۹۴ عضو هیئت‌علمی دانشگاه و مشاور شرکت‌های نرم‌افزاری همچون توسن و سان بوده است.

1دوره
7,786دانشجو
27نظر و امتیاز

عاطفه عطایی فارغ‌التحصیل دانشگاه نوشیروانی بابل در گرایش مهندسی مخابرات سیستم هستند. از سال ۱۳۹۷ باتوجه‌به علاقه در حوزه بینایی ماشین به مطالعه و پژوهش در این حوزه پرداخته و در زمینه‌های پردازش صوت، تصویر و ویدئو پژوهش‌های مختلفی انجام داده است. ایشان در حال حاضر در یک شرکت معتبر در این حوزه در ایران مشغول به فعالیت هستند.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

دیگر دوره‌های جواد کاظمی‌تبار

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.