يادگيري عميق (Deep Learning) پنجشنبه ۱۴-۸

کامپیوتر | دوره های برنامه نویسی | يادگيري عميق (Deep Learning)
مدت دوره:
60 ساعت
تعداد جلسات:
10 جلسه
روزهای برگزاری:
پنج شنبه
زمان برگزاری:
08:00 الی 14:00
مهلت ثبت نام: 1403/08/10 - 23:55
فرصت باقیمانده ثبت نام:

فرصت ثبت نام به پایان رسیده

 ظرفیت باقیمانده: 5
تاریخ شروع: 1403/08/10
تاریخ پایان: 1403/10/13
قیمت دوره: 6,340,000 تومان

 اهداف برگزاري دوره/ كارگاه:

  • گذراندن این دوره پیش نیاز شاخه های گوناگون دانش هوش مصنوعی و برنامه نویسی هوشمند می باشد.
  • گذراندن این دوره منجر به طراحی و ساخت مدل های هوشمند مبتنی بر شبکه عصبی عمیق می شوند و می توانید در حوزه پردازش تصاویر آن را شخصی سازی نمود.

 

 توانايي‌هاي مورد انتظار فراگيران در پايان دوره/ كارگاه:

  • آشنایی با انواع Optimizer ها در شبکه های عمیق عصبی 
  • آشنایی با روش های مختلف مقدار دهی وزن در شبکه های عمیق عصبی
  • آشنایی با انواع روش های Regularization و Augmentation جهت افزایش پیچیدگی داده ها
  • آشنایی با شبکه های عمیق پیچشی و آشنایی با شبکه های عمیق بازگشتی 
  • آشنایی با معماری ترتیب به ترتیب (Seq to Seq) و معماری تبدیل شونده ها (Transformers)
  • ساخت و پیاده سازی شبکه های عمیق بر اساس معماری Auto Encoder و آشنایی با معماری Variational Auto Encoder
  • آشنایی با شبکه های عمیق Generative به همراه معماری های مطرح آن


 زمينه‌هاي اشتغال زايي دوره/ كارگاه:

  •  فعالیت در حوزه هایی همچون تولید دستیار هوشمند
  • حوزه پردازش متن 
  • حوزه پردازش هوشمند تصاویر 
  • ساخت مدل های هوشمند برای توصیف و ارزیابی پدیده های پیچیده
     

فصل اول: مروری بر یادگیری ماشین و شبکه های عصبی

مروری بر انواع توابع آتش
مروری بر نحوه محاسبه گرادیان و انواع توابع خطا
مروری بر روال کلی backpropagation
مروری بر روال های دسته بندی و رگرسیون
مروری بر روال آموزش شبکه های عصبی در تنسورفلو و کراس
  

فصل دوم: 
انواع Optimizationها در محاسبه گرادیان شبکه های عصبی    
آپدیت وزن شبکه از طریق Random search
بررسی روش های ساده محاسبه گرادیان:
گرادیان چیست
Gradient Descent
Mini-batch Gradient Descent
Stochastic Gradient
Stochastic Gradient Descent
بررسی مفهوم Moving Average
Momentum
Nesterov Momentum
محاسبه گرادیان از طریق AdaGrad
محاسبه گرادیان از طریق RMSProp
محاسبه گرادیان از طریق Adam

فصل سوم: 
مقدمات شبکه های عصبی عمیق    
Data preprocessing
مروری بر PCA و روش های کاهش بعد
Weight Initialization
Random
Xavier
HE
Batch Normalization
Hyperparameter Optimization
بررسی روال تغییرات learning rate
Monitor and visualize the accuracy
Monitor and visualize the loss
Regularization
L1 / L2 regularization
Dropout
Data Augmentation
 
فصل چهارم: 
شبکه های عمیق پیچشی Convolutional Neural Network    
بیان ساختار کلی شبکه های عصبی پیچشی
معرفی لایه های مختلف شبکه های CNN
لایه Fully connected
لایه Convolutional
لایه Polling
لایه Softmax
آشنایی با مفاهیم dim و Stride و padding
معرفی معماری های مختلف شبکه های CNN
Alexnet
VGG
GoogleNet
ResNet
پیاده سازی شبکه های عصبی پیچشی با KERAS
پیاده سازی شبکه های عصبی پیچشی با PyTorch

فصل پنجم: 
معماری یادگیری انتقالی Transfer Learning    
معرفی رویکرد یادگیری انتقالی و کاربرد آن در CNN

فصل ششم: 
شبکه های عمیق بازگشتی Recurrent Neural Network    
مقدماتی بر شبکه های بازگشتی
بیان ساختار سلول شبکه های بازگشتی
معرفی انواع مختلف شبکه های بازگشتی
محو شدگی و انفجار گرادیان‌ها در شبکه‌های بازگشتی
معرفی شبکه بازگشتی LSTM
معرفی شبکه بازگشتی GRU
معرفی شبکه های بازگشتی دو طرفه

فصل هفتم: 
معماری ترتیب به ترتیب Seq2Seq    
معرفی معماری ترتیب به ترتیب و کاربرد آن در RNN
تبدیل شونده ها Transformers    
معرفی رویکرد Transformers
معرفی لایه ی Attentions
معرفی مدل BERT
شبکه های عمیق Variation Autoencoders    
مقدماتی بر یادگیری با ناظر و بدون ناظر
معرفی شبکه های Generative
معرفی شبکه های Auto Encoder
معرفی Variational Auto Encoder
شبکه های عمیق Generative Adversarial Networks    
مقدماتی بر شبکه های عصبی Gan
معرفی شبکه های Deep Convolutional GAN
معرفی شبکه های Semisupervised GAN
معرفی شبکه های Conditional GAN
معرفی شبکه های Cycle GAN

 

    برای این کلاس نظری ثبت نشده است.