آموزش یادگیری عمیق با تاکید بر بینایی ماشین

یادگیری عمیق، زیر مجموعه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی به منظور مدل‌سازی و حل مسائل پیچیده استفاده می‌کند. یادگیری عمیق، طیف وسیعی از کاربردها، شامل بینایی ماشین، پردازش زبان‌های طبیعی، پردازش سیگنال و ... در بر می‌گیرد.

یکی از مزایایی اصلی یادگیری عمیق، حذف مهندسی دستی ویژگی‌ها (hand-engineering of features) می‌باشد، این بدان معنی است که یادگیری عمیق این امکان را به ماشین می‌دهد تا به صورت خودکار، ویژگی‌ها را از روی داده‌ها یاد بگیرد. از دیگر مزایای یادگیری عمیق می‌توان به توانایی مدیریت داده‌های بزرگ و پیچیده، مدیریت داده‌های دنباله‌ای (sequential data)، مقیاس‌پذیری و قابلیت تعمیم اشاره کرد.

یادگیری عمیق در حوزه‌های مختلف بیزینس از جمله تجارت الکترونیک، پزشکی، تبلیغات، لجستیک، امنیت، تولید، مدیریت انبار، مدیریت شهری و ... کاربردهای گوناگونی را شامل می‌شود. این دوره شامل چهار فصل می‌باشد. در فصل مقدماتی این دوره به بیان مفاهیم اصلی مرتبط به شبکه‌های عمیق پرداخته شده است. ساختار شبکه‌های عمیق، پارامترها، نحوه تنظیم آنها، الگوریتم آموزش شبکه‌های عصبی عمیق، چالش‌ها و تکنیک حل آنها در این فصل شرح داده شده است.

فصل دوم به شبکه عصبی کانولوشن (CNN)، ویژگی‌ها، اجزا، کاربردها و نحوه عملکرد این شبکه‌ها پرداخته است. فصل سوم، عملکرد شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)، ویژگی‌ها، توانایی‌ها و چالش‌ها و روش‌های حل این چالش‌ها را شامل می‌شود. در انتهای این فصل به طور خلاصه به شبکه‌ حافظه طولانی کوتاه مدت (Long Short-Term Memory)، مکانیزم attention و مدل ترنسفورمر پرداخته شده است.

در نهایت، فصل آخر به فریمورک‌های یادگیری عمیق و مسائل و چالش‌های مختلفی که برای آموزش این شبکه‌ها وجود دارد و تکنیک‌های حل آنها پرداخته است. این دوره برای عزیزانی که با شبکه‌های عصبی و مفاهیم یادگیری ماشین آشنایی دارند و تصمیم به آشنایی و استفاده از شبکه‌های عصبی عمیق را دارند مناسب می‌باشد. در این دوره از زبان برنامه‌نویسی پایتون و فریمورک تنسورفلو استفاده شده است.