دوره آموزشی - جستجوی «شاطر سنگک ماشینی»

آموزش مدل‌های توالی و پردازش زبان طبیعی

ویدیوهای زبان اصلی دوره به صورت رایگان هستند اما برای دسترسی به زیرنویس فارسی ویدیوها می توانید محتوای دوره را خریداری کنید. کاربرد دوره آموزش مدل ‌های توالی (sequence model) و پردازش زبان طبیعی مدل‌های توالی در کاربردهایی که به تجزیه‌وتحلیل داده‌های ورودی به‌عنوان یک جریان هم‌بسته مداوم احتیاج دارد، نقشی اساسی ایفا می‌کند. این مقادیر می‌توانند داده‌های سری زمانی باشند که تقاضای یک محصول را در یک بازه زمانی خاص پیش‌بینی می‌کنند. کاربرد دیگر مدل‌های توالی می‌تواند در پیش‌بینی متن باشد. سیستم بر اساس توالی آخرین عبارت و مجموعه‌ای از شرایط و قوانین از قبل بارگذاری شده، قادر است کلمه بعدی را پیش‌بینی کند. یکی از انواع شبکه‌ها که در تشخیص گفتار، پردازش زبان طبیعی (NLP) و پردازش داده‌های متوالی استفاده می‌شود، شبکه عصبی بازگشتی یا RNN نام دارد. با فراگیری آموزش مدل‌های توالی به‌عنوان بخشی از RNN کسب‌وکارها می‌توانند عملیات خود را تقویت کنند و تصمیم‌گیری‌هایشان را بهبود بخشند. در این دوره از آموزش مدل‌های توالی و آموزش پردازش زبان شما با مدل‌های NLP و اپلیکیشن‌های جذابشان مانند تشخیص گفتار، ترکیب موسیقی، چت‌بات‌ها، ترجمه ماشینی، درک زبان طبیعی و تکامل الگوریتم‌های توالی آشنا خواهید شد. هدف از یادگیری دوره آموزش مدل‌ های توالی و پردازش زبان طبیعی چیست؟ آموزش sequence model، دومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. هدف از این دوره، این است که شما بتوانید با شبکه‌های عصبی بازگشتی (RNN) و انواع رایج‌تر آن مانند GRU و LSTM کار کنید. با استفاده از این مدل‌ها می‌توانید پردازش زبان طبیعی و Word Embedding را یاد بگیرید. دوره آموزش مدل‌‌های توالی و پردازش زبان طبیعی مناسب چه کسانی است؟ دانشجویان و فارغ‌التحصیلان مهندسی کامپیوتر و هوش مصنوعی کسانی که به ساخت اپلیکیشن‌های کاربردی با استفاده از یادگیری عمیق علاقه‌مندند. مهندسانی که نمی‌خواهند از دنیای تکنولوژی عقب بمانند. بعد از فراگیری دوره آموزش مدل‌‌های تربیتی (sequence model) و پردازش زبان طبیعی چه مهارت‌هایی کسب خواهید کرد؟ پس از فراگیری آموزش مدل‌های ترتیبی شاهد ارتقاء مهارت‌های زیر در خود خواهید بود: پردازش زبان طبیعی (NLP) حافظه طولانی کوتاه‌مدت (LSTM) واحد بازگشتی گیتی (GRU) شبکه عصبی بازگشتی (RNN) مدل‌های توجه

160,650 تومان

آموزش شبکه‌های عصبی کانولوشنالی

کاربرد دوره آموزش شبکه عصبی کانولوشن چیست؟ شبکه عصبی کانولوشنال یا پیچشی (CNN) نوعی شبکه عصبی مصنوعی است که برای شناسایی و پردازش تصویر استفاده می‌شود. این شبکه‌ها اختصاصاً برای پردازش داده‌های پیکسلی طراحی شده‌اند. CNNها پردازش تصویر و هوش مصنوعی قدرتمندی هستند که با استفاده از یادگیری عمیق (Deep Learning) کارهای تولیدی و توصیفی را انجام می‌دهند. این شبکه‌ها اغلب از دید ماشینی که شامل تشخیص تصویر و ویدئو به همراه سیستم‌های توصیه‌گر و پردازش زبان طبیعی (NLP) می‌شود، استفاده می‌کنند. یک شبکه عصبی سیستمی از سخت‌افزار و یا نرم‌افزار است که از عملکرد سلول‌های عصبی در مغز انسان الگو می‌گیرد. شبکه‌های عصبی سنتی برای پردازش تصویر ایده‌آل نیستند. اما در شبکه عصبی پیچشی لایه‌های نورون به شکلی تنظیم شده است که برای جلوگیری از مشکل در پردازش تصویر، کل میدان بینایی را پوشش می‌دهند. لایه‌های شبکه عصبی کانولوشنال یا شبکه عصبی پیچشی، از یک لایه ورودی، یک لایه خروجی و یک لایه پنهان تشکیل شده است که شامل چندین لایه کانولوشن می‌شود. حذف محدودیت‌ها و افزایش کارایی منجر به تشکیل سیستمی می‌شود که بسیار از حالت عادی اثربخش‌تر است و همچنین برای پردازش تصویر و زبان طبیعی قدرت بیشتری خواهد داشت. بعد از فراگیری دوره آموزش شبکه عصبی کانولوشنالی چه مهارت‌هایی کسب خواهید کرد؟ آموزش بهبود شبکه عصبی عمیق، چهارمین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. در پایان دوره آموزش شبکه عصبی کانولوشنال شما قادر خواهید بود شبکه عصبی مخصوص خود را بسازید. در این دوره حتی ساخت مدرن‌ترین انواع شبکه عصبی پیچشی به شما آموزش داده می‌شود. در پایان این دوره همچنین می‌توانید از شبکه عصبی پیچشی موجود، برای پردازش تصویر و تشخیص افراد یا اشیا در آن، کار با عکس، فیلم و انیمیشن و ده‌ها کاربرد جذاب دیگر استفاده کنید. به طور کلی می‌توان گفت در پایان این دوره، مهارت‌های زیر در شما تقویت شده یا به مهارت‌های شما افزوده می‌شوند: یادگیری عمیق طراحی سیستم تشخیص چهره کار با شبکه عصبی پیچشی Tensorflow کشف شیء و بخش‌بندی تصویر

186,150 تومان