جستجو
Persian
همه دسته بندی ها
    منو بسته

    یادگیری عمیق (Deep Learning by Python) (عمران)

    مدت (ساعت): 16
    550,000 تومان
    i h

    یادگیری عمیق در واقع زیرمجموعه ای از یادگیری ماشین است که در آن با استفاده از الگوریتم هایی از طریق شبکه عصبی به شبیه سازی عملکرد مغز انسان می پردازد. تفاوت اصلی شبکه عصبی و یادگیری عمیق در این است که در یادگیری عمیق، محدوده گسترده تری از شبکه عصبی مورد بررسی قرار می گیرد و الگوریتم های یادگیری تقویتی را نیز شامل می شود. برای اولین بار در دهه 80 میلادی مفهوم Deep Learning به عنوان یک نظریه جدید مطرح شد اما دلیل اینکه امروزه بیشتر از آن استفاده می شود و بیشتر شناخته شده می باشد، این است که به 2 دلیل اصلی سودمند بودن و فواید آن مورد توجه بیشتر قرار گرفته است. دلیل اول این است که یادگیری عمیق نیاز به مقدار داده های بسیار زیادی دارد به عنوان مثال برای توسعه خودروهای خودران نیاز به میلیون ها تصویر و هزاران ساعت ویدیو می باشد که با تامین این داده ها از طریق یادگیری عمیق می توان این کار را به خوبی انجام داد. دلیل دوم این است که یادگیری عمیق قدرت پردازشی بسیار بالایی را نیاز دارد و واحدهای پردازنده گرافیکی قدرتمندی که در یادگیری عمیق استفاده می شوند، هزینه بالایی دارند. اگر این پردازنده ها را با کمک رایانش ابری استفاده کنیم، تیم های توسعه مختلف می توانند زمان فرآیند آموزش و زمان متدهای قبلی را که در یادگیری ماشین استفاده می شده، به صورت قابل توجهی از هفته ها و یا ماه ها به مقدار خیلی کمتری در حد چند ساعت تقلیل بدهند. مزیت اصلی یادگیری عمیق و نکته کلیدی ضرورت یادگیری این دوره آموزشی، دقت می باشد. یادگیری عمیق به سطح بسیار بالایی از دقت در تشخیص دست پیدا کرده است.

    1- مقدمه و معرفی یادگیری عمیق (Deep learning)

    2- روش­ها و مدل­های یادگیری عمیق

    • معرفی مدل های یادگیری عمیق
    • یادگیری بدون نظارت (Unsupervised)
    • مدل های خود رمزنگار (Auto Encoder)
    • مدل های شبکه عصبی عمیق مولد (Generative adversarial network)
    • یادگیری با نظارت (Supervised)
    • مدل های شبکه عصبی کانولوشنی (Convolutional neural network)
    • مدل های شبکه عصبی بازگشتی (Recurrent neural network)

    3- جزئیات شبکه عصبی کانولوشنی

    •  لایه های کانولوشن
    • لایه های کاهش اندازه
    • مدل های برتر شبکه های عصبی کانولوشنی

    4- نحوه آموزش شبکه­های عصبی

    • آماده سازی داده های آموزش
    • انتخاب معماری مناسب شبکه
    • الگوریتم های آموزش و بهینه سازی
    • تکنیک های تنظیم و بهبود روند آموزش
    • تکنیک Batch Normalization
    • تکنیک Dropout
    • تکنیک انتقال یادگیری (Transfer Learning)

    5- سخت افزار ها و نرم افزارها و برنامه نویسی یادگیری عمیق (پایتون)

        ·  معرفی سخت‌ افزارهای مناسب برای پیاده سازی ایده های یادگیری عمیق

       ·  معرفی نرم افزارها و کتابخانه های برنامه نویسی حوزه یادگیری عمیق

    • نحوه راه اندازی بسترهای کدنویسی پایتون، Keras و TensorFlow در ویندوز

       ·  مثال های برنامه نویسی در کتابخانه Keras به زبان پایتون

    6- شبکه های GAN معمولی

    • معماری شبکه GAN
    • تابع هزینه در شبکه GAN
    • بهینه سازی رقابتی تابع هزینه در شبکه GAN
    •  یادگیری در شبکه GAN
    • مقایسه GAN با Autoencoder
    •  آموزش شبکه GAN
    •  مثال عملی شبکه GAN در پایتون

    7- شبکه های GAN کانولوشنی

    • شبکه های عصبی کانولوشنی
    • لایه های کانولوشن، Pooling و کانولوشن معکوس
    • معماری شبکه DCGAN
    • مثال عملی شبکه DCGAN در پایتون

    8- شبکه های GAN نیمه نظارتی

    • یادگیری نیمه نظارتی
    • معماری شبکه Semi-supervised GAN
    • تفاوت عملکرد شبکه Semi-supervised GAN با سایر شبکه های GAN
    • مثال عملی شبکه Semi-supervised GAN در پایتون

    9- شبکه های GAN مشروط

    • چالش شبکه GAN در مدل سازی مولد
    • معماری شبکه CGAN
    • مثال عملی شبکه CGAN در پایتون

    10 – شبکه های GAN چرخشی

    • معماری شبکه CycleGAN
    • تابع های هزینه در شبکه CycleGAN
    • توضیح روال پیاده سازی CycleGAN
    • معماری شبکه U-Net در CycleGAN
    • معماری شبکه PatchGAN در CycleGAN

     11- کار با داده ها در keras، ایجاد و آموزش مدل، تکنیک های مفید برنامه نویسی در keras

    مشخصات محصولات
    شرکت ندارد
    پیش نیاز پایتون مقدماتی
    وضعیت پیش ثبت نام
    نحوه برگزاری آنلاین و حضوری
    نوع دوره فشرده
    فیلم دوره موجود است
    مدرک ارائه شده لاتین پارس پژوهان
    0.0 0
    نقد و بررسی خود را بنویسید بستن
    • فقط کاربرانی که ثبت نام کرده اند می توانند نقد و بررسی ها را بنویسند.
    *
    *
    • بد
    • عالی
    *
    *
    *

    یادگیری عمیق در واقع زیرمجموعه ای از یادگیری ماشین است که در آن با استفاده از الگوریتم هایی از طریق شبکه عصبی به شبیه سازی عملکرد مغز انسان می پردازد. تفاوت اصلی شبکه عصبی و یادگیری عمیق در این است که در یادگیری عمیق، محدوده گسترده تری از شبکه عصبی مورد بررسی قرار می گیرد و الگوریتم های یادگیری تقویتی را نیز شامل می شود. برای اولین بار در دهه 80 میلادی مفهوم Deep Learning به عنوان یک نظریه جدید مطرح شد اما دلیل اینکه امروزه بیشتر از آن استفاده می شود و بیشتر شناخته شده می باشد، این است که به 2 دلیل اصلی سودمند بودن و فواید آن مورد توجه بیشتر قرار گرفته است. دلیل اول این است که یادگیری عمیق نیاز به مقدار داده های بسیار زیادی دارد به عنوان مثال برای توسعه خودروهای خودران نیاز به میلیون ها تصویر و هزاران ساعت ویدیو می باشد که با تامین این داده ها از طریق یادگیری عمیق می توان این کار را به خوبی انجام داد. دلیل دوم این است که یادگیری عمیق قدرت پردازشی بسیار بالایی را نیاز دارد و واحدهای پردازنده گرافیکی قدرتمندی که در یادگیری عمیق استفاده می شوند، هزینه بالایی دارند. اگر این پردازنده ها را با کمک رایانش ابری استفاده کنیم، تیم های توسعه مختلف می توانند زمان فرآیند آموزش و زمان متدهای قبلی را که در یادگیری ماشین استفاده می شده، به صورت قابل توجهی از هفته ها و یا ماه ها به مقدار خیلی کمتری در حد چند ساعت تقلیل بدهند. مزیت اصلی یادگیری عمیق و نکته کلیدی ضرورت یادگیری این دوره آموزشی، دقت می باشد. یادگیری عمیق به سطح بسیار بالایی از دقت در تشخیص دست پیدا کرده است.

    مشخصات محصولات
    شرکت ندارد
    پیش نیاز پایتون مقدماتی
    وضعیت پیش ثبت نام
    نحوه برگزاری آنلاین و حضوری
    نوع دوره فشرده
    فیلم دوره موجود است
    مدرک ارائه شده لاتین پارس پژوهان
    مشتریانی که این کالا را خریدند، کالاهای زیر را نیز می خرند
    تصویر از شبکه عصبی در MATLAB (مهندسی پزشکی)

    شبکه عصبی در MATLAB (مهندسی پزشکی)

    تاریخ شروع : جمعه ها مدت : 8 ساعت 1جلسه ، 8ساعته
    290,000 تومان