×
ribbon

آموزش جامع یادگیری عمیق(Deep Learning) با Tensorflow و keras

مدرس:

علیرضا اخوان‌پورکلاس ویژن

این دوره با چه فریم ورک و زبان برنامه نویسی است؟ این دوره تئوری و عملی بوده و... بیشتر
محبوب کاربران
گواهی‌نامه
4.8 (150)
70 دیدگاه
12,166دانشجو
41ساعت
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

آنچه در این دوره می‌آموزید

طراحی و پیاده‌سازی شبکه‌های عصبی عمیق

حل مسایل واقعی با هوش مصنوعی

ارتقای مهارت‌های خود را در زمینه پردازش تصویر و بینایی کامپیوتر، پردازش زبان طبیعی و پردازش صوت و گفتار

استخدام در مشاغل مرتبط با هوش مصنوعی

این دوره شامل:

41 ساعت ویدئو

1 جلسه متنی

15 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

10 فصل119 جلسه41 ساعت ویدیو
پیش نیازهای یادگیری عمیق
  مقدمه
05:47
  آشنایی با دوره
08:06
  انواع یادگیری های یادگیری ماشین - باسرپرست، بدون سرپرست، تقویتی
15:42
  طبقه بندی نزدیکترین همسایه
06:25
  کدها و نحوه اجرا در گوگل کولب
05:42
  پیاده سازی KNN در پایتون
28:55
  استفاده و لود تصویر در پایتون به عنوان داده
20:17
  آشنایی و پردازش داده های ارقام دست نویس فارسی
21:04
  طبقه بندی ارقام دست نویس فارسی
10:25
  رگرسیون با مدل نزدیکترین همسایه
13:02
  تعمیم، بیش برازش و عدم تناسب
18:48
  رگرسیون خطی
13:35
  مدلهای خطی برای طبقه بندی و روشهای جلوگیری از بیش برازش در این مدلها
22:46
  طبقه بندی با مدلهای خطی
11:51
  منابع و اسلایدها
00:07
مقدمه شبکه عصبی
  پرسپترون (یک نورون) چیست
20:23
  شبکه عصبی: استفاده از چندین نورون و لزوم تابع فعالیت
24:24
  تابع هزینه
16:16
  یادگیری در شبکه های عصبی: گرادیان کاهشی و پس انتشار خطا
20:44
  جمع بندی شبکه عصبی و نرخ یادگیری
30:12
  پیاده سازی در کراس و آشنایی با Softmax
20:55
  الگوریتم های گرادیان کاهشی: stochastic، batch و mini-batch
21:16
  کد کامل پایتون
35:48
  نقش داده validation در آموزش شبکه عصبی، لایه Flatten و پارامتر from_logits
28:57
  Dropout
15:06
  تمرین: مثال IRIS ( و اجرا در گوگل کولب)
24:18
شبکه‌های عصبی کانولوشنالی
  مقدمه شبکه های عصبی کانولوشنالی
19:10
  چالش Imagenet
14:15
  لزوم سلسله مراتب در شبکه های عصبی
10:42
  آزمایش گربه هابل و ویزل
09:19
  کانولوشن و فیلترها
14:47
  درک عملکرد فیلتر کانولوشن در شبکه‌های عصبی کانولوشنی (CNN)
10:11
  ویژگی‌های مکانی فضایی و سلسله مراتب در شبکه‌های عصبی کانولوشنی (CNNs)
07:19
  padding در کانولوشن
15:07
  مفهوم Stride در کانولوشن
03:00
  کانولوشن روی عکس رنگی
18:13
  ادغام (Pooling)
11:22
  معماری Lenet-5
13:05
  محاسبه تعداد پارامترها در یک لایه کانولوشن
06:46
  پیاده سازی یک شبکه عصبی کانولوشنالی در پایتون
24:48
  ادغام میانگین سراسری (GAP)
10:13
  ارزیابی شبکه عصبی کانولوشنی با استفاده از GAP با اندازه‌های مختلف ورودی
17:02
  نرمال‌سازی دسته‌ای (Batchnorm)
26:45
معماری‌های عمیق و انتقال یادگیری
  معرفی مجموعه داده‌های گربه و سگ و ساختاردهی آن
12:47
  استفاده از Sigmoid در طبقه‌بندی باینری و ImageDataGenerator
19:43
  دانلود از Kaggle در محیط Google Colab
21:27
  داده‌افزایی
24:51
  بررسی معماری های شبکه‌های عصبی کانولوشنی
05:29
  الکس نت
19:03
  ZFNet
13:17
  VGG
18:33
  درک کانولوشن 1 در 1
08:32
  Inception
17:31
  ResNet
22:30
  مدل های از پیش آموزش دیده در keras application
33:44
  بازشناسی اشیاء با وبکم
26:38
  مقدمه ی انتقال یادگیری (ترنسفر لرنینگ)
11:31
  پیاده سازی انتقال یادگیری (ترنسفر لرنینگ)
33:07
  تنظیم دقیق (Fine-tuning)
15:59
  بررسی tf.data و Cache با مثال طبقه بندی گل
51:45
  بارگیری داده های تصویر با image_dataset_from_directory
14:30
  مثال طبقه بندی گربه/سگ با image_dataset_from_directory
26:53
  نرخ های یادگیری متفاوت (Differential Learning Rates)
24:05
رگرسیون و Functional API
  مقدمه رگرسیون
09:28
  مثال رگرسیون: تخمین قیمت خانه
25:32
  تخمین میزان مصرف سوخت ماشین
22:57
  Functional API در کراس
30:51
  تخمین قیمت خانه با ویژگی های بصری
16:13
  استفاده از دو نوع داده ورودی (ساختار یافته و بصری) در یک شبکه عصبی
07:57
  تعیین محل شئ
17:08
  بازشناسی و تعیین محل اشیاء
19:39
  تولید خروجی از مدل تعیین محل اشیاء
14:47
طبقه‌بندی متن، استفاده از Embedding و سیستم‌های توصیه‌گر
  طبقه بندی متن با دیتاست نقد فیلم
69:54
  پیش پردازش: به عنوان pipeline داده یا بخشی از مدل؟!
07:54
  طبقه بندی متن فارسی
13:05
  معیارهای ارزیابی برای داده های نامتوازن
30:52
  حل مشکل داده های نامتوازن
21:59
  N-gram
16:49
  بردار امبدینگ کلمه
18:01
  تناظرهای امبدینگ کلمه (آنالوژی)
19:46
  امبدینگ کلمه در Gensim
05:29
  بصری سازی بردار کلمات در دو و سه بعد با PCA، T-SNE و UMAP
13:11
  استفاده از امبدینگ از قبل آموزش داده شده در طبقه بندی متن
33:40
  سیستم‌های توصیه‌گر و فیلتر مشارکتی
38:19
  استفاده از tf.data برای مدیریت کارآمدتر داده در سیستم‌های توصیه‌گر
04:34
  بهبود دقت و مقیاس‌پذیری
16:20
  امبدینگ موجودیت‌ها
28:42
Model Subclassing، خودرمزنگارها و GAN ها
  مقدمه ای بر شئ گرایی در پایتون
19:48
  ایجاد مدل با روش Model Subclassing
05:26
  ایجاد لایه جدید با روش Model Subclassing
30:02
  مقدمه ای بر خودرمزنگارها
16:59
  خودرمزنگار کانولوشنالی با Transposed convolution
18:49
  خودرمزنگار کانولوشنالی با Upsampling
17:54
  تشخیص ناهنجاری(آنومالی) با خودرمزنگار
04:27
  U-Net برای سگمنت کردن تصویر
17:44
  پیاده سازی U-Net
24:25
  شبکه عصبی مولد رقابتی (GAN)
34:33
  پیاده سازی GAN
22:22
  مقدمات GradientTape در تنسورفلو
24:16
  آموزش DCGAN با بازنویسی تابع train_step
29:19
  ترجمه تصویر به تصویر با Pix2Pix
17:02
  پیاده سازی Pix2Pix
64:56
داده های صوتی و تابع خطای CTC
  مقدمه‌ای بر داده‌های صوتی
36:04
  طیف‌نگاره (Spectrogram)
19:01
  طبقه بندی صوت
33:28
  انتقال یادگیری با YAMNet برای طبقه‌بندی صداهای محیطی
49:46
  تشخیص خودکار پلاک خودرو
60:51
  تابع خطای CTC
24:40
  بازشناسی گفتار خودکار (ASR)
28:29
پیدا کردن هایپرپارامترهای بهینه و استقرار مدل در محیط عملیاتی
  تنظیم و پیدا کردن هایپرپارامتر
18:26
  مقدمه ای بر ابزار Keras Tuner
16:42
  هایپرپارامترهای شرطی
19:31
  استقرار مدل با ONNX
34:34
  استفاده از ONNX Runtime روی کارت گرافیک
10:24
روشهای انتقال یادگیری و افزونگی داده ی پیشرفته
  روش داده‌افزایی MixUp
38:15
  روش داده‌افزایی CutMix
16:21
  مثال طبقه بندی عکسهای X-ray شکستگی استخوان
14:52
  مثال طبقه بندی تصاویر نژادهای مختلف سگ
15:35
  مقاله و دیتاست بزرگ گوگل (BiT)
19:07
  استفاده از BiT
16:26

پیش‌نیاز‌ها

در این دوره تلاش شده تمام مباحث از پایه تدریس شود و تنها پیشنیاز این دوره پایتون می باشد.

توضیحات دوره

این دوره با چه فریم ورک و زبان برنامه نویسی است؟

این دوره تئوری و عملی بوده و پس از بیان تئوری، هر مبحث در زبان پایتون با فریم ورک تنسورفلو (Tensorflow) و کراس (Keras) پیاده سازی میشود. تمامی کدها در گیت‌هاب دوره نیز قابل مشاهده است. در واقع این دوره آموزش یادگیری عمیق با پایتون به صورت کامل و حرفه ای است که کتابخانه های همچون تنسورفلو و کراس نیز در آن پوشش داده شده است.

دوره جامع یادگیری عمیق(Deep Learning) برای چه کسانی مناسب است؟

  • علاقه‌مندان به هوش مصنوعی و یادگیری عمیق
  • دانشجویان و فارغ‌التحصیلان رشته‌های کامپیوتر، برق، ریاضی و آمار
  • متخصصان IT که به دنبال ارتقای مهارت‌های خود در زمینه هوش مصنوعی هستند
  • هر کسی که می‌خواهد با قدرت هوش مصنوعی، مسائل دنیای واقعی را حل کند

دوره جامع یادگیری عمیق(Deep Learning) چه چیزی به شما می‌آموزد؟

  • مبانی شبکه‌های عصبی: در این دوره، با مفاهیم پایه ای هوش مصنوعی و شبکه های عصبی مانند نورون، تابع فعال، گرادیان کاهشی و پس انتشار خطا آشنا خواهید شد.
  • شبکه‌های عصبی کانولوشنالی: این بخش به طور کامل به بررسی شبکه‌های عصبی کانولوشنالی (CNN) که برای پردازش تصاویر و ویدئوها به کار می‌روند، می‌پردازد.
  • پردازش زبان طبیعی: در این دوره، با روش‌های پردازش زبان طبیعی (NLP) و کاربردهای آن در طبقه‌بندی متن، استخراج اطلاعات و سیستم‌های توصیه‌گر آشنا خواهید شد.
    کار با داده های صوتی و گفتار: در این دوره، با روش‌های پیش پردازش و استخراج ویژگی صوت، طبقه بندی، CTC، تبدیل گفتار به متن آشنا می شوید.
  • موضوعات پیشرفته: در این دوره، به مباحث پیشرفته‌تر یادگیری عمیق(Deep Learning) مانند خودرمزگذار، GAN ها، تشخیص ناهنجاری می پردازیم.
  • پروژه‌های عملی: در طول دوره، با انجام پروژه‌های عملی، مهارت‌های خود را در زمینه یادگیری عمیق به کار خواهید گرفت.
  • تسلط به فریم ورک Tensorflow/Keras : در این دوره، شما با هر 3 سینتکس تعریف شبکه عصبی در فریم ورک کراس شامل Sequential، Functional API و Model Sub-classing آشنا خواهید شد و علاوه بر استفاده از روش های سطح بالای فریم ورک برای آموزش مدل، به روش های سطح پایین دسترسی به گرادیان ها و شخصی سازی کردن فرایند آموزش نیز پرداخته خواهد شد.

ویژگی‌های دوره:

40 ساعت آموزش ویدئویی: این دوره شامل 40 ساعت آموزش ویدئویی با کیفیت بالا است که توسط استاد مجرب با سابقه تدریس شده است.


با گذراندن این دوره، شما قادر خواهید بود:

  • شبکه‌های عصبی عمیق را طراحی و پیاده‌سازی کنید.
  • از هوش مصنوعی برای حل مسائل دنیای واقعی استفاده کنید.
  • مهارت‌های خود را در زمینه پردازش تصویر و بینایی کامپیوتر، پردازش زبان طبیعی و پردازش صوت و گفتار ارتقا دهید.
  • در مشاغل مرتبط با هوش مصنوعی استخدام شوید.

دیدگاه کاربران

4.8

بر اساس امتیاز 150 دانشجو

1
2
3
4
5

سهیل خداپناه

3 روز پیش

5

دوره جامع و کاملیه، البته قبل این دوره حتما بهتره یک یا چند دوره مربوط به دیپ یا ماشین رو بگذرونید یا می تونید حداقل دوبار این دوره رو ببینید تا مفاهیم قابل درک تر بشن.

فاطمه مجدی باویل علیائی

7 روز پیش

5

وقت بخیر دوره بسیار روان مفید و کاربردی هست. استاد با تسلط کامل مطالب رو توضیح میدهند. پیشنهاد میکنم این دوره رو ببینید.

امیرحسین میرزایی

9 روز پیش

5

دوره بسیار خوب عالی بود مدرس بسیار خوب

مجید نزاکت الحسینی

10 روز پیش

5

عالی

اریان محمدی

7 روز پیش

5

great

مهدی فاطمی

11 روز پیش

5

دوره ای واقعا مفید که استاد هم تسلط خیلی خوبی روی مطالب دارند و هم خیلی خوب میتونند مفاهیم رو منتقل کنند

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
علیرضا اخوان‌پورمدرس و متخصص هوش مصنوعی
12دوره
56,658دانشجو
1,191نظر و امتیاز

علیرضا اخوان‌پور، متخصص برجسته در حوزه هوش مصنوعی و یادگیری عمیق، با بیش از ۱۰ سال سابقه تدریس و فعالیت حرفه‌ای، یکی از چهره‌های شناخته‌شده در این حوزه است. او علاوه بر سابقه ۷ سال مدیریت فنی در مجموعه دانش‌بنیان شناسا، در طراحی و پیاده‌سازی چندین پروژه عملی در زمینه پردازش تصویر، بینایی کامپیوتر و مدل‌های یادگیری عمیق نقش کلیدی داشته است.

از سال ۱۳۹۴ به عنوان مدرس در دانشگاه شهید رجایی فعالیت خود را آغاز کرد و از سال ۱۳۹۵ به طور تخصصی در حوزه هوش مصنوعی و یادگیری عمیق به تدریس مشغول است. در کنار تدریس، او چاپ مقالات بین‌المللی و داوری بیش از ۱۰ مقاله علمی را نیز در کارنامه دارد و تجربه عملی خود را با پیاده‌سازی پروژه‌های صنعتی و پژوهشی موفق ترکیب کرده است.

حضور او در محیط‌های آکادمیک با ارائه ورکشاپ در دانشگاه‌های امیرکبیر، شریف و تهران همراه بوده و دوره‌های تخصصی خود را در جهاد دانشگاهی شریف، دانشگاه تهران و سازمان‌های بزرگی مانند معاونت علمی و فناوری ریاست جمهوری، صندوق نوآوری و شکوفایی، همراه اول و دیجی‌کالا برگزار کرده است. همچنین در حوزه بانکی و تلکام، دوره‌های تخصصی برای کارکنان بانک‌های قوامین، سپه و صادرات و همراه اول و ایبیکام ارائه کرده و مدرس رویداد علم داده ایرانسل بوده است.

او در سایت مکتب‌خونه نیز دوره‌های پرمخاطبی در زمینه LLM، یادگیری عمیق، پردازش تصویر و OpenCV ضبط کرده که تجربه عملی گسترده او در پروژه‌های واقعی را نیز پوشش می‌دهند.

علیرضا اخوان‌پور به عنوان منتور و مشاور هوش مصنوعی با شتاب‌دهنده همتک و شرکت‌های معتبر مانند همراه اول و ایبیکام همکاری داشته و مدیریت سایت تخصصی Class.Vision را بر عهده دارد، که در زمینه هوش مصنوعی، یادگیری عمیق، بینایی کامپیوتر و یادگیری ماشین فعالیت می‌کند.

حضور موثر او در رویدادهای مهم مانند کنفرانس MVIP، فیس کاپ، داده ایرانسل و من برنامه‌نویسم و تولید محتوا در آکادمی همراه اول، مکتب‌خونه، کلاس ویژن و نماتک، به همراه تجربه عملی در چندین پروژه صنعتی و پژوهشی موفق، نقش برجسته او در گسترش دانش و کاربرد هوش مصنوعی در کشور را نشان می‌دهد.

کلاس ویژنسایت تخصصی برای دوره‌های هوش مصنوعی، دیپ لرنینگ، بینایی کامپیوتر و یادگیری ماشین
8دوره
53,464دانشجو
1,159نظر و امتیاز

کلاس‌ویژن، یک سایت تخصصی برای دوره‌های هوش مصنوعی، دیپ لرنینگ، بینایی کامپیوتر و یادگیری ماشین است.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

دیگر دوره‌های علیرضا اخوان‌پور

دیگر دوره‌های کلاس ویژن

سوالات پرتکرار

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.