0
سبد خرید شما خالیست!
میتواند برای مشاهده محصولات بیشتر به صفحات زیر بروید :
افزودن به لیست علاقه مندی ها

آموزش یادگیری عمیق با پایتون (Deep Learning by Python)

دسته بندی: مهندسی کامپیوتر
جزئیات دوره بیشتر
  • مدت دوره : 16 ساعت
  • پیش نیاز: پایتون مقدماتی
  • نحوه برگزاری: آنلاین و حضوری (هنگام ثبت نام با هماهنگی)
  • فیلم دوره: دارد
  • مدرک ارائه شده: لاتین پارس پژوهان
  • زمان برگزاری: آخر هفته ها (هفته ای یک جلسه) با هماهنگی
  • شماره های تماس: 021-88322992-88322993 داخلی (105)
مشاهده بیشتر + مشاهده کمتر -
امتیاز محصول
2٬500٬000 تخفیف
در حال برنامه ریزی
این دوره در حال برنامه ریزی برگزاری است. از طریق همین صفحه و شبکه های اجتماعی زمان دقیق آن اطلاع رسانی خواهد شد.
به من اطلاع بده

معرفی دوره آموزش یادگیری عمیق با پایتون (Deep Learning by Python)

یادگیری عمیق (Deep Learning) یکی از شاخه‌های کلیدی یادگیری ماشین (Machine Learning) محسوب می‌گردد و نقش مهمی در علم داده ایفا می‌کند. این حوزه شامل آمار و پیش‌بینی مدل‌سازی است و به دلیل راهبردهای منحصر به فرد خود، به حل مسائل پیچیده‌تری می‌پردازد. از کاربردهای متنوع یادگیری عمیق می‌توان به بینایی کامپیوتری (Computer Vision)، پردازش زبان طبیعی و پردازش تصویر اشاره کرد. 

این دوره در سه بخش اصلی مبانی اولیه یادگیری عمیق، برنامه نویسی یادگیری عمیق به‌ صورت کاربردی و در نهایت آموزش و پیاده سازی شبکه GAN (با زبان برنامه نویسی پایتون) تدریس می‌گردد. علاقه‌مندان برای قدم گذاشتن در دنیای یادگیری عمیق با نرم افزار پایتون نیاز است که ابتدا آموزش پایتون مقدماتی را بگذرانند و برای ارتقای مهارت‌های خود در این زمینه می‌توانند در آموزش یادگیری ماشین نیز شرکت نمایند و از اطلاعات جامع این دوره بهره‌مند شوند. 

سرفصل‌های دوره آموزش یادگیری عمیق با پایتون (Deep Learning by Python)

  1. مقدمه و معرفی یادگیری عمیق
  2. روش‌ها و مدل‌های یادگیری عمیق
    معرفی مدل‌های یادگیری عمیق
    یادگیری بدون نظارت (Unsupervised)
    یادگیری با نظارت (Supervised)
    مدل‌های شبکه عصبی کانولوشنی (Convolutional Neural Network)
    مدل‌های شبکه عصبی بازگشتی (Recurrent Neural Network)
  3. جزئیات شبکه‌ عصبی کانولوشنی
    لایه‌های شبکه‌های کانولوشنی و کاهش اندازه
    مدل‌های برتر شبکه‌های عصبی کانولوشنی
  4. نحوه آموزش شبکه عصبی
    انتخاب معماری مناسب شبکه
    آماده‌سازی داده‌های آموزش

پیش نیاز دوره آموزش یادگیری عمیق با پایتون

پیش نیاز این دوره مباحث مقدماتی پایتون خواهد بود و دانش‌ پژوهان می‌توانند در دوره مقدماتی پایتون شرکت نمایند و اطلاعات خود را پیش از شروع دوره در این حیطه ارتقا دهند.

گواهینامه دوره آموزش یادگیری عمیق با پایتون (Python) 

در پایان دوره به پذیرفته‌ شدگان مدرک لاتین موسسه پارس پژوهان و فنی‌ حرفه‌ای تعلق می‌گیرد.

بعد از شرکت در دوره آموزش یادگیری عمیق با پایتون چه مهارت‌هایی کسب می‌کنیم؟ 

  1. یادگیری مفاهیم مقدماتی و پایه‌ هوش مصنوعی و یادگیری عمیق
  2. آشنایی با کاربردهای جدید یادگیری عمیق در پایتون
  3. توانایی کار با متغیرها در پایتون
  4. معرفی یادگیری ماشین، اجزا و فرآیند
  5. آشنایی با شبکه‌های سطحی و عمیق
  6. یادگیری نحوه‌ کار با شبکه
  7. مهارت در پیاده سازی شبکه‌ها در پایتون
  8. درک هایپر پارامترهای شبکه
  9. مهارت در پردازش تصویر
  10. یادگیری شبکه‌های عصبی Shallow
  11. آشنایی با پروسپترون‌های تک لایه و چندلایه
  12. درک مفهوم شبکه‌های CNN 
  13. استفاده از کانوولوشن‌های دو بعدی و سه‌ بعدی
  14. بررسی پارامترهای هر شبکه
  15. یادگیری کد نویسی برای اعداد دست‌نویس
  16. توانایی استفاده از کتابخانه‌های خارجی برای گسترش قابلیت‌های برنامه 
  17. تسلط بر فرصت‌های شبکه‌سازی با دانشجویان و متخصصان حوزه‌
  18. درک اصول برنامه‌نویسی با پایتون

سوالات متداول

  • چگونه بدون مهارت در پایتون در این دوره شرکت نماییم؟
    در دو جلسه‌ اول این دوره مرور سریع بر پایتون مقدماتی خواهد بود.
  • چگونه متوجه شویم کدامیک از دوره‌های یادگیری عمیق و یادگیری ماشین را ثبت نام کنیم؟
    در دوره‌ آموزشی مدرس مزیت‌ها و تفاوت‌ها را بیان خواهد کرد.
  • منابع استفاده شده در این دوره‌ آموزشی چه کتاب‌هایی خواهند بود؟
    کتاب یادگیری عمیق با پایتون نوشته‌ فرانسوا شوله و کتاب شبکه‌های عصبی و یادگیری عمیق نوشته‌ی اشپرینگر.
  • این دوره مناسب چه رشته هایی است؟

    1. مهندسی مکانیک
    2. مهندسی برق
    3. مهندسی کامپیوتر
    4. مهندسی مواد
    5. مهندسی عمران
    6. مهندسی پزشکی 
    7. مهندسی هوافضا 
    8. مهندسی شیمی

محصولات مرتبط

  • توضیحات دوره
  • مشخصات
  • نقد و بررسی
توضیحات دوره

معرفی دوره آموزش یادگیری عمیق با پایتون (Deep Learning by Python)

یادگیری عمیق (Deep Learning) یکی از شاخه‌های کلیدی یادگیری ماشین (Machine Learning) محسوب می‌گردد و نقش مهمی در علم داده ایفا می‌کند. این حوزه شامل آمار و پیش‌بینی مدل‌سازی است و به دلیل راهبردهای منحصر به فرد خود، به حل مسائل پیچیده‌تری می‌پردازد. از کاربردهای متنوع یادگیری عمیق می‌توان به بینایی کامپیوتری (Computer Vision)، پردازش زبان طبیعی و پردازش تصویر اشاره کرد. 

این دوره در سه بخش اصلی مبانی اولیه یادگیری عمیق، برنامه نویسی یادگیری عمیق به‌ صورت کاربردی و در نهایت آموزش و پیاده سازی شبکه GAN (با زبان برنامه نویسی پایتون) تدریس می‌گردد. علاقه‌مندان برای قدم گذاشتن در دنیای یادگیری عمیق با نرم افزار پایتون نیاز است که ابتدا آموزش پایتون مقدماتی را بگذرانند و برای ارتقای مهارت‌های خود در این زمینه می‌توانند در آموزش یادگیری ماشین نیز شرکت نمایند و از اطلاعات جامع این دوره بهره‌مند شوند. 

سرفصل‌های دوره آموزش یادگیری عمیق با پایتون (Deep Learning by Python)

  1. مقدمه و معرفی یادگیری عمیق
  2. روش‌ها و مدل‌های یادگیری عمیق
    معرفی مدل‌های یادگیری عمیق
    یادگیری بدون نظارت (Unsupervised)
    یادگیری با نظارت (Supervised)
    مدل‌های شبکه عصبی کانولوشنی (Convolutional Neural Network)
    مدل‌های شبکه عصبی بازگشتی (Recurrent Neural Network)
  3. جزئیات شبکه‌ عصبی کانولوشنی
    لایه‌های شبکه‌های کانولوشنی و کاهش اندازه
    مدل‌های برتر شبکه‌های عصبی کانولوشنی
  4. نحوه آموزش شبکه عصبی
    انتخاب معماری مناسب شبکه
    آماده‌سازی داده‌های آموزش

پیش نیاز دوره آموزش یادگیری عمیق با پایتون

پیش نیاز این دوره مباحث مقدماتی پایتون خواهد بود و دانش‌ پژوهان می‌توانند در دوره مقدماتی پایتون شرکت نمایند و اطلاعات خود را پیش از شروع دوره در این حیطه ارتقا دهند.

گواهینامه دوره آموزش یادگیری عمیق با پایتون (Python) 

در پایان دوره به پذیرفته‌ شدگان مدرک لاتین موسسه پارس پژوهان و فنی‌ حرفه‌ای تعلق می‌گیرد.

بعد از شرکت در دوره آموزش یادگیری عمیق با پایتون چه مهارت‌هایی کسب می‌کنیم؟ 

  1. یادگیری مفاهیم مقدماتی و پایه‌ هوش مصنوعی و یادگیری عمیق
  2. آشنایی با کاربردهای جدید یادگیری عمیق در پایتون
  3. توانایی کار با متغیرها در پایتون
  4. معرفی یادگیری ماشین، اجزا و فرآیند
  5. آشنایی با شبکه‌های سطحی و عمیق
  6. یادگیری نحوه‌ کار با شبکه
  7. مهارت در پیاده سازی شبکه‌ها در پایتون
  8. درک هایپر پارامترهای شبکه
  9. مهارت در پردازش تصویر
  10. یادگیری شبکه‌های عصبی Shallow
  11. آشنایی با پروسپترون‌های تک لایه و چندلایه
  12. درک مفهوم شبکه‌های CNN 
  13. استفاده از کانوولوشن‌های دو بعدی و سه‌ بعدی
  14. بررسی پارامترهای هر شبکه
  15. یادگیری کد نویسی برای اعداد دست‌نویس
  16. توانایی استفاده از کتابخانه‌های خارجی برای گسترش قابلیت‌های برنامه 
  17. تسلط بر فرصت‌های شبکه‌سازی با دانشجویان و متخصصان حوزه‌
  18. درک اصول برنامه‌نویسی با پایتون

سوالات متداول

  • چگونه بدون مهارت در پایتون در این دوره شرکت نماییم؟
    در دو جلسه‌ اول این دوره مرور سریع بر پایتون مقدماتی خواهد بود.
  • چگونه متوجه شویم کدامیک از دوره‌های یادگیری عمیق و یادگیری ماشین را ثبت نام کنیم؟
    در دوره‌ آموزشی مدرس مزیت‌ها و تفاوت‌ها را بیان خواهد کرد.
  • منابع استفاده شده در این دوره‌ آموزشی چه کتاب‌هایی خواهند بود؟
    کتاب یادگیری عمیق با پایتون نوشته‌ فرانسوا شوله و کتاب شبکه‌های عصبی و یادگیری عمیق نوشته‌ی اشپرینگر.
  • این دوره مناسب چه رشته هایی است؟

    1. مهندسی مکانیک
    2. مهندسی برق
    3. مهندسی کامپیوتر
    4. مهندسی مواد
    5. مهندسی عمران
    6. مهندسی پزشکی 
    7. مهندسی هوافضا 
    8. مهندسی شیمی

دوره های مشابه

افزودن نظر جدید
امتیاز محصول *
با انتخاب دکمه "ثبت نظر" موافقت خود را با قوانین انتشار محتوا در گروه آموزشی پارس پژوهان اعلام می‌کنم.
افزودن پرسش جدید
با انتخاب دکمه "ثبت پرسش" موافقت خود را با قوانین انتشار محتوا در گروه آموزشی پارس پژوهان اعلام می‌کنم.
اطلاع به من در زمان موجود شدن
0 سبد
بیشتر
دسته ها
جستجو
پروفایل
تماس
دسته بندی ها
دوره‌های فنی مهندسی
دوره‌های مدیریت
بازگشت به بالا