آموزش یادگیری عمیق (Deep Learning by Python) (عمران)

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