معرفی اجمالی دوره
دوره آموزش یادگیری عمیق با تنسورفلو و کراس چیست؟
دوره آموزش یادگیری عمیق با تنسورفلو و کراس به آموزش کاربردی یادگیری عمیق و تمام مباحث مربوط به کتابخانههای تنسورفلو و کراس میپردازد. به طور مشخصتر موضوعاتی که در این دوره دنبال میشود شامل موارد زیر است:
پیادهسازی شبکههای عصبی (یادگیری عمیق) در پایتون
پیادهسازی شبکههای Multi-layer perceptron (MLP) و Convolutional
بحث و بررسی در رابطه با موضوعات گوناگون یادگیری عمیق مانند: Transfer learning، Overfitting و Regularization
بررسی دقیق و عمیق تنسورفلو و کراس
آشنایی با یادگیری عمیق، تنسورفلو و کراس
در یک تعریف کلی، یادگیری عمیق یکی از شاخههای یادگیری ماشین و هوش مصنوعی است که در آن سعی میشود از روش کارکرد مغز برای یادگیری موضوعات استفاده شود.
در یادگیری عمیق به کامپیوترها آموزش داده میشود که برای حل مسائل از روشهایی استفاده کنند که مغز انسان برای حل مسائل از آن روشها استفاده میکند. به طور کلی یادگیری عمیق سعی میکند به شبیهسازی مغز انسان بپردازد.
«تنسورفلو» (TensorFlow)، یک کتابخانه رایگان و اوپن سورس است که کاربردهای زیادی در یادگیری ماشین دارد. یکی از اصلیترین کاربردهای تنسورفلو در پیادهسازی شبکههای عصبی است. به همین دلیل است که این کتابخانه، پراستفادهترین کتابخانه در یادگیری عمیق است.
کراس یک کتابخانه در تنسورفلو است که با هدف توسعه شبکههای عصبی ایجاد شده است.
هدف از برگزاری دوره آموزش یادگیری عمیق با تنسورفلو و کراس چیست؟
امروزه اهمیت یادگیری عمیق در بسیاری از تکنولوژیها بر کسی پوشیده نیست؛ تا جایی که در دنیای امروز یادگیری عمیق به مغز محاسباتی در بسیاری از زمینههای علم و تکنولوژی تبدیل شده است. به همین دلیل است که در دنیایی از صنایع مختلف تا تکنولوژیهای مختلف، تقریبا هیچ موردی را نمیتوان پیدا کرد که در آن ردپایی از یادگیری عمیق دیده نشود. به این ترتیب، اصلیترین هدف این دوره آموزش کاربردی یادگیری عمیق و شناخت ابعاد گوناگون آن است.
در این دوره شما با این ابزار بسیار مهم به صورت عملیاتی آشنا میشوید و جزئیات لازم برای پیادهسازی بهینه این الگوریتمها را در عمل میآموزید. در ادامه راه میتوانید از این ابزار در هر زمینهای که با داده روبهرو میشوید و به دنبال پیدا کردن الگوهای آن هستید، استفاده کنید.
دوره آموزش یادگیری عمیق با تنسورفلو و کراس برای چه کسانی مناسب است؟
محتوای این دوره به نحوی انتخاب شده که مناسب افرادی باشد که دوره یادگیری ماشین را گذراندهاند و با مفاهیم ابتدایی هوش مصنوعی آشنایی دارند و به دنبال ادامه مسیر یادگیری/شغلی در این زمینه هستند. با توجه به اینکه این دوره ترکیب آموزش مفاهیم تئوری و عملی در کنار یکدیگر است، دانشجویان این دوره میتوانند مسائل دنیای واقعی مثل پردازش تصویر، پردازش زبان طبیعی، پیشبینیهای دنبالههای عددی و ترافیک و غیره را حل کنند. بنابراین این دوره مناسب کسانی خواهند بود که علاقهمند به مباحث پیشرفته هوش مصنوعی و چالشهای لبهی تکنولوژی هستند.
در انتهای دوره آموزش یادگیری عمیق با تنسورفلو و کراس مخاطب چه دستاوردی خواهد داشت؟
با توجه به محتوایی که در این دوره به شرکتکنندگان آموزش داده میشود، در انتهای دوره مخاطبان محترم با موارد زیر آشنایی خواهند داشت:
پیادهسازی شبکههای MLP
پیادهسازی شبکههای Sequential، Functional و Subclass
بهینهسازی پارامترهای شبکههای عصبی
شناخت ترکیب مناسب activation function و initialization
شناخت بهینهسازها و برنامههای زمانی متناسب
شناخت راهکارهای مقابله با Overfitting
شناخت ابزار لازم برای ارزیابی عدم قطعیت پیشبینی شبکههای عصبی
پیادهسازی Transfer learning و استفاده از شبکههای قدرتمند آماده
پیادهسازی شبکههای Convolutional
ویژگیهای دوره
گواهینامه مکتبخونه
خدمات منتورینگ
پروژه محور
تمرین و آزمون
تالار گفتگو
تسهیل استخدام
فصول دوره
مقدمهای بر یادگیری ماشین
مبانی یادگیری عمیق
شبکه عصبی عمیق
شبکه کانولوشنال عمیق;
معرفی مدرس
پژمان اقبالی
پژمان اقبالی دانشجوی دکتری بیومکانیک در دانشگاه EPFL سوئیس است. وی دارای تجربه تدریس مباحث علوم کامپیوتر مخصوصاً برنامهنویسی محاسباتی است. او سابقهی تدریس برنامهنویسی پایتون، متلب و R، محاسبات علمی، بهینهسازی، علم داده و یادگیری ماشین را دارد.
ایشان در حال حاضر بر روی توسعهی مدلهای آماری و یادگیری ماشین برای تحلیل دادههای پزشکی کار میکند. حوزههای تخصصی او برنامهنویسی محاسباتی، آمار و یادگیری ماشین، مدلهای اجزای محدود و بهینهسازی است.
پیشنیازها
در تمام مراحل این دوره برای راحتی شرکتکنندگان سعی شده است تا تمامی مباحث به زبانی ساده بیان شوند؛ اما برای درک کامل مباحث مطرح شده لازم است تا مخاطب با موارد زیر آشنایی داشته باشد:
آشنایی با مفاهیم برنامهنویسی پایتون
آشنایی با مباحث مربوط به یادگیری ماشین
آشنایی با کتابخانههای Scikit-learn، Numpy، Matplotlib
روش ارزیابی و نمرهدهی
حد نصاب قبولی در دوره: 70.0 نمره فارغالتحصیل شدن در این دوره نیاز به ارسال تمرینها و پروژههای الزامی دارد.
نمونه گواهینامه