×
ribbon
مکتب خونه هوش مصنوعیمفاهیم هوش مصنوعییادگیری عمیق

آموزش جامع یادگیری عمیق 2026: هوش مصنوعی، پایتون و AWS

مدرس:

آکادمی گرولیHadelin de Ponteveskirrill eremenko

در این دوره جامع یادگیری عمیق (Deep Learning)، شما یاد می گیرید چگونه مدل های پیشرفته هوش مصنوعی... بیشتر
جدید
زیرنویس
5 (3)
3 دیدگاه
35دانشجو
24ساعت
سرفصل‌ها
متوسط سطح دوره
بروزرسانیمرداد ۱۴۰۵

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

یادگیری و پیاده‌سازی یادگیری عمیق (Deep Learning) نظارت‌شده (Supervised Learning) برای رگرسیون، طبقه‌بندی، بینایی کامپیوتر (Computer Vision) و تحلیل سری‌های زمانی (Time Series Analysis)

یادگیری و پیاده‌سازی یادگیری عمیق بدون نظارت (Unsupervised Deep Learning) برای تشخیص تقلب (Fraud Detection)، تشخیص ناهنجاری (Anomaly Detection) و سیستم‌های پیشنهاددهنده (Recommender Systems)

درک عمیق مفاهیم شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN)

ساخت و آموزش Artificial Neural Networks با Python

این دوره شامل:

23 ساعت ویدئو

41 جلسه متنی

5 فایل ضمیمه قابل دانلود

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

30 فصل160 جلسه23 ساعت ویدیو
به دوره خوش آمدید!
  کدها، مجموعه داده‌ها (دیتاست‌ها) و اسلایدها را از اینجا دریافت کنید.
00:24
  مقدمه‌ای بر یادگیری عمیق: از بستر تاریخی تا کاربردهای مدرن.
12:34
  جوایز نقدی ($$) برای یادگیری.
00:11
بخش 1: شبکه‌های عصبی مصنوعی
  بخش 1 - شبکه‌های عصبی مصنوعی خوش آمدید
00:13
درک شهودی شبکه‌های عصبی مصنوعی (ANNs Intuition)
  آنچه برای کار با ANN نیاز دارید
00:11
  شبکه‌های عصبی چگونه یاد می‌گیرند؟ (توضیح گرادیان کاهشی و پس‌انتشار خطا)
02:51
  درک نورون‌ها: بلوک‌های سازنده شبکه‌های عصبی مصنوعی
16:15
  درک توابع فعال‌ساز (Activation Functions) در شبکه‌های عصبی: سیگموئید، ReLU و غیره
08:29
  شبکه‌های عصبی چگونه کار می‌کنند؟ (راهنمای گام‌به‌گام با مثال ارزیابی قیمت ملک)
12:47
  شبکه‌های عصبی چگونه یاد می‌گیرند؟ (درک پس‌انتشار خطا و توابع هزینه)
12:58
  تسلط بر گرادیان کاهشی (Gradient Descent): کلید آموزش کارآمد شبکه‌های عصبی
10:12
  نحوه استفاده از گرادیان کاهشی تصادفی (Stochastic Gradient Descent) برای بهینه‌سازی یادگیری عمیق
08:44
  درک الگوریتم پس‌انتشار خطا (Backpropagation): کلید بهینه‌سازی مدل‌های یادگیری عمیق
05:21
شبکه‌های عصبی مصنوعی (ANNs) با پایتون
  آماده‌سازی کد و مجموعه داده (Dataset)فصل 4
01:08
  گام اول - پیش‌پردازش داده‌ها برای یادگیری عمیق: آماده‌سازی مجموعه داده برای شبکه عصبی
09:34
  مشاهده دوره رایگان ما در مورد شبکه عصبی (ANN) برای رگرسیون (Regression یعنی پیش‌بینی اعداد پیوسته مثل قیمت خانه)
00:19
  گام دوم - پیش‌پردازش داده‌ها برای شبکه‌های عصبی: مراحل و تکنیک‌های ضروری
18:13
  گام سوم - ساخت یک شبکه عصبی مصنوعی: اضافه کردن لایه‌های ورودی و لایه‌های پنهان (Hidden Layers)
14:28
  گام چهارم - کامپایل و آموزش شبکه عصبی: بهینه‌سازها (Optimizers)، توابع زیان (Loss Functions) و معیارها (Metrics)
11:58
  گام پنجم - نحوه انجام پیش‌بینی و ارزیابی مدل شبکه عصبی در پایتون
16:25
شبکه‌های عصبی مصنوعی (ANNs) با سرویس AWS
  آماده‌سازی مجموعه داده (Dataset)فصل 5
00:17
  راه‌اندازی SageMaker برای رگرسیون و طبقه‌بندی (Classification)
05:52
  ساخت شبکه عصبی مصنوعی (ANN) برای رگرسیون با استفاده از Amazon SageMaker Canvas
09:45
  ساخت شبکه عصبی مصنوعی (ANN) برای طبقه‌بندی با استفاده از Amazon SageMaker Canvas
09:57
  پاک‌سازی بخش (Section Cleanup)
03:20
بخش دوم: شبکه‌های عصبی کانولوشنال (CNNs)
  به بخش دوم خوش آمدید - شبکه‌های عصبی کانولوشنال (CNNs)
00:13
درک شهودی شبکه‌های عصبی کانولوشنال (CNNs)
  آنچه برای یادگیری CNN نیاز خواهید داشت
00:11
  درک معماری CNN؛ از لایه‌های کانولوشن (Convolution) تا لایه‌های تمام‌متصل (Fully Connected)
05:52
  شبکه‌های عصبی کانولوشنال چگونه کار می‌کنند؟ درک معماری CNN
15:49
  نحوه اعمال فیلترهای کانولوشن در شبکه‌های عصبی؛ توضیح مفهوم تشخیص ویژگی (Feature Detection)
16:38
  واحد‌های خطی اصلاح‌شده (ReLU) در یادگیری عمیق؛ بهینه‌سازی عملکرد CNN
06:41
  درک تغییرناپذیری مکانی (Spatial Invariance) در CNN؛ توضیح مفهوم Max Pooling برای مبتدیان
14:13
  نحوه تخت‌سازی (Flatten) نقشه‌های ویژگیِ خروجی از لایه‌ی Pooling در شبکه‌های CNN
01:52
  لایه‌های تمام‌متصل (Fully Connected) در شبکه‌های عصبی کانولوشنال چگونه کار می‌کنند؟
19:24
  اجزای سازنده CNN؛ نقشه‌های ویژگی (Feature Maps)، لایه‌های ReLU، لایه‌های Pooling و لایه‌های تمام‌متصل
04:19
  درک تابع فعال‌ساز Softmax و تابع زیان Cross-Entropy در یادگیری عمیق
18:20
شبکه‌های عصبی کانولوشنی (CNN) با پایتون
  آماده‌سازی کد و مجموعه داده فصل8
01:00
  گام 1 - آموزش طبقه‌بندی تصاویر با توضیح شبکه‌های عصبی کانولوشنی
07:18
  گام 2 - پیش‌پردازش یادگیری عمیق، مقیاس‌بندی و تبدیل تصاویر برای CNNها
17:46
  گام 3 - ساخت معماری CNN، توضیح لایه‌های کانولوشنی و ادغام بیشینه (Max Pooling)
17:56
  گام 4 - آموزش CNN برای طبقه‌بندی تصاویر، بهینه‌سازی با Keras و TensorFlow
07:21
  گام 5 - استقرار یک CNN برای تشخیص تصویر در دنیای واقعی
14:55
  توسعه یک سیستم تشخیص تصویر با استفاده از شبکه‌های عصبی کانولوشنی
22:59
شبکه‌های عصبی کانولوشنی (CNN) با AWS
  آماده‌سازی مجموعه داده فصل 9
00:23
  بینایی ماشین با Amazon Rekognition
02:31
  استخراج متن با Amazon Textract
03:00
بخش 3 - شبکه‌های عصبی بازگشتی (RNN)
  خوش آمدید به بخش 3 - شبکه‌های عصبی بازگشتی
00:20

پیش‌نیاز‌ها

- آشنایی با ریاضیات در سطح دبیرستان
- دانش مقدماتی برنامه‌نویسی با Python

توضیحات دوره

در این دوره جامع یادگیری عمیق (Deep Learning)، شما یاد می‌گیرید چگونه مدل‌های پیشرفته هوش مصنوعی (AI) را با استفاده از AWS ،Python و PyTorch طراحی کنید، آموزش دهید و پیاده‌سازی کنید. مسیر آموزش به‌صورت کاملاً مرحله‌به‌مرحله طراحی شده و از مفاهیم پایه شروع می‌شود و تا پیاده‌سازی پروژه‌های واقعی و کاربردی ادامه پیدا می‌کند.

در طول دوره، با مهم‌ترین مفاهیم و معماری‌های یادگیری عمیق آشنا می‌شوید. از شبکه‌های عصبی مصنوعی (ANN) به‌عنوان پایه شروع می‌کنید و سپس به سراغ مدل‌های پیشرفته‌تر مانند شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر و شبکه‌های عصبی بازگشتی (RNN) برای داده‌های دنباله‌ای می‌روید. همچنین مدل‌های تخصصی‌تری مانند Boltzmann Machines ،Self-Organizing Maps و AutoEncoders را نیز یاد می‌گیرید تا درک عمیق‌تری از ساختارهای مختلف Deep Learning داشته باشید.

یکی از نقاط قوت این دوره، ترکیب درک مفهومی و شهودی با پیاده‌سازی عملی است. شما فقط تئوری یاد نمی‌گیرید، بلکه به‌صورت عملی مدل‌ها را با Python و AWS اجرا می‌کنید و با ابزارها و کتابخانه‌های مهمی مانند Pandas ،NumPy ،Scikit-learn ،Keras ،PyTorch ،TensorFlow و Matplotlib کار خواهید کرد. این ترکیب باعث می‌شود بتوانید مفاهیم پیچیده را بهتر درک کرده و در پروژه‌های واقعی به‌کار بگیرید.

در بخش پروژه‌های عملی، با کاربردهای واقعی هوش مصنوعی و یادگیری عمیق آشنا می‌شوید. از جمله پروژه‌هایی مانند پیش‌بینی ریزش مشتری (Customer Churn)، تشخیص اشیا در تصاویر، پیش‌بینی قیمت سهام، تشخیص تقلب (Fraud Detection) و همچنین ساخت سیستم‌های پیشنهاددهنده (Recommendation Systems) برای فیلم‌ها و فروشگاه‌های اینترنتی.

این دوره برای افرادی مناسب است که می‌خواهند یادگیری عمیق را از پایه شروع کنند، مهارت‌های Python خود را در حوزه هوش مصنوعی تقویت کنند، وارد حوزه Data Science و Machine Learning شوند یا بتوانند مدل‌های Deep Learning را در پروژه‌های واقعی و صنعتی پیاده‌سازی کنند.

دیدگاه کاربران

5

بر اساس امتیاز 3 دانشجو

1
2
3
4
5

دانشجوی دوره

11 ساعت پیش

5

دوره بسیار کامل و خوبیه.

دانشجوی دوره

1 روز پیش

5

بسیار دوره عالی و کاربردی

دانشجوی دوره

1 روز پیش

5

دوره جامع و خوبی هست

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

ضمانت بازگشت وجه

کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.

مهلت درخواستتا ۱۵ روز پس از خرید دوره
میزان مشاهدهکمتر از ۲۰ درصد یا ۵ جلسه از دوره
آکادمی گرولیآموزش مهارت‌های شغلی
110دوره
57,329دانشجو
3,320نظر و امتیاز

• آکادمی گرولی با هدف توانمندسازی و توسعه‌ی حرفه‌ای افراد فعالیت می‌کند.

• دوره‌های این آکادمی در حوزه‌های شغلی متنوعی مانند هوش مصنوعی، برنامه‌نویسی، نرم‌افزارهای کاربردی، مدیریت محصول، بازاریابی دیجیتال، مهارت‌های نرم و توسعه کسب‌وکار دسته‌بندی می‌شوند.

• این دوره‌ها اکثرا از پرفروش‌ترین آموزش‌های برترین پلتفرم‌های یادگیری دنیا مانند یودمی، لینکدین‌لرنینگ، کورسرا و ریفورج هستند که همگی با زیرنویس فارسی منتشر شده‌اند. همچنین چندی از دوره‌های این آکادمی نیز، به صورت اختصاصی توسط مدرسان معتبر ایرانی تهیه گردیده‌اند.

Hadelin de Ponteves
3دوره
8,328دانشجو
83نظر و امتیاز

هادلین یک کارآفرین آنلاین است که بیش از ۳۰ دوره آموزشی برتر در حوزه‌های فناوری نوین مانند هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، بلاک‌چین و رمزارزها به جهان ارائه کرده است. او با اشتیاق به دنبال انتقال این دانش به مردم جهان و کمک به هرچه بیشتر افراد است. تاکنون بیش از ۲ میلیون نفر در دوره‌های آموزشی او ثبت‌نام کرده‌اند.

kirrill eremenko
1دوره
35دانشجو
2نظر و امتیاز

نام من کریل ارمنکو است و از اینکه این متن را می‌خوانید، واقعاً هیجان‌زده‌ام!

از نظر حرفه‌ای، سابقه من در زمینه مشاوره علم داده (Data Science Consulting) است و در صنایع مختلفی مانند مالی، خرده‌فروشی، حمل‌ونقل و حوزه‌های دیگر تجربه کار دارم. آموزش حرفه‌ای خود را نزد بهترین مربیان تحلیل داده در دیلویت استرالیا (Deloitte Australia) گذراندم و پس از شروع تدریس در Udemy، دانش و تجربیاتم را به هزاران علاقه‌مند به علم داده منتقل کرده‌ام.

در دوره‌های من، خیلی زود متوجه خواهید شد که چگونه تجربه واقعی کاری‌ام را با پیشینه دانشگاهی‌ام در فیزیک و ریاضیات ترکیب می‌کنم تا آموزش‌هایی حرفه‌ای، مرحله‌به‌مرحله و کاربردی در حوزه علم داده ارائه دهم.

یکی از مهم‌ترین ویژگی‌های سبک تدریسم این است که روی توضیح شهودی و قابل‌فهم مفاهیم تمرکز دارم؛ بنابراین حتی پیچیده‌ترین مباحث را نیز به شکلی آموزش می‌دهم که واقعاً آن‌ها را درک کنید، نه اینکه فقط حفظ کنید.

در یک جمله، من عاشق علم داده هستم و مشتاقم این علاقه و دانش را با شما به اشتراک بگذارم.
 

مهارت‌هایی که می‌آموزید

آموزش پایتون
آموزش ماشین لرنینگ
آموزش یادگیری عمیق
آموزش مبانی هوش مصنوعی
آموزش Cloud
آموزش مفاهیم هوش مصنوعی
آموزش هوش مصنوعی

دیگر دوره‌های آکادمی گرولی