یادگیری عمیق، زیر مجموعهای از یادگیری ماشین است که از شبکههای عصبی مصنوعی به منظور مدلسازی و حل مسائل پیچیده استفاده میکند. یادگیری عمیق، طیف وسیعی از کاربردها، شامل بینایی ماشین، پردازش زبانهای طبیعی، پردازش ... بیشتر
بهروزرسانی: ۱۴۰۳/۱۰/۲۲
مفاهیم مقدماتی شبکههای عصبی عمیق، کاربردها، اجزا، چالشها و روشهای حل چالشها
ساختار، مولفهها و نحوه عملکرد شبکههای عصبی کانولوشن (CNN)
عملکرد شبکههای عصبی بازگشتی (Recurrent Neural Networks)، ویژگیها، تواناییها و چالشها و روشهای حل آنها
فریمورکهای یادگیری عمیق و مسائل و چالشهای مختلفی که برای آموزش این شبکهها وجود دارد و تکنیکهای حل آنها
پیشنهاد میشود برای شروع این دوره با اصول و مبانی پایتون، یادگیری ماشین و مفاهیم پایه ای در شبکههای عصبی آشنایی داشته باشید.
یادگیری عمیق، زیر مجموعهای از یادگیری ماشین است که از شبکههای عصبی مصنوعی به منظور مدلسازی و حل مسائل پیچیده استفاده میکند. یادگیری عمیق، طیف وسیعی از کاربردها، شامل بینایی ماشین، پردازش زبانهای طبیعی، پردازش سیگنال و ... در بر میگیرد.
یکی از مزایایی اصلی یادگیری عمیق، حذف مهندسی دستی ویژگیها (hand-engineering of features) میباشد، این بدان معنی است که یادگیری عمیق این امکان را به ماشین میدهد تا به صورت خودکار، ویژگیها را از روی دادهها یاد بگیرد. از دیگر مزایای یادگیری عمیق میتوان به توانایی مدیریت دادههای بزرگ و پیچیده، مدیریت دادههای دنبالهای (sequential data)، مقیاسپذیری و قابلیت تعمیم اشاره کرد.
یادگیری عمیق در حوزههای مختلف بیزینس از جمله تجارت الکترونیک، پزشکی، تبلیغات، لجستیک، امنیت، تولید، مدیریت انبار، مدیریت شهری و ... کاربردهای گوناگونی را شامل میشود. این دوره شامل چهار فصل میباشد. در فصل مقدماتی این دوره به بیان مفاهیم اصلی مرتبط به شبکههای عمیق پرداخته شده است. ساختار شبکههای عمیق، پارامترها، نحوه تنظیم آنها، الگوریتم آموزش شبکههای عصبی عمیق، چالشها و تکنیک حل آنها در این فصل شرح داده شده است.
فصل دوم به شبکه عصبی کانولوشن (CNN)، ویژگیها، اجزا، کاربردها و نحوه عملکرد این شبکهها پرداخته است. فصل سوم، عملکرد شبکههای عصبی بازگشتی (Recurrent Neural Networks)، ویژگیها، تواناییها و چالشها و روشهای حل این چالشها را شامل میشود. در انتهای این فصل به طور خلاصه به شبکه حافظه طولانی کوتاه مدت (Long Short-Term Memory)، مکانیزم attention و مدل ترنسفورمر پرداخته شده است.
در نهایت، فصل آخر به فریمورکهای یادگیری عمیق و مسائل و چالشهای مختلفی که برای آموزش این شبکهها وجود دارد و تکنیکهای حل آنها پرداخته است. این دوره برای عزیزانی که با شبکههای عصبی و مفاهیم یادگیری ماشین آشنایی دارند و تصمیم به آشنایی و استفاده از شبکههای عصبی عمیق را دارند مناسب میباشد. در این دوره از زبان برنامهنویسی پایتون و فریمورک تنسورفلو استفاده شده است.
اطلاعات بیشتر
از مجموع 6 امتیاز
4 نظرنظرات بیشتر
پس از گذراندن محتوای دوره به صورت آنلاین (بدون دانلود) در سایت مکتبخونه، در صورتی که حد نصاب قبولی در دوره را کسب و تمرین ها و پروژه های الزامی را ارسال کنید، گواهینامه رسمی پایان دوره توسط مکتبخونه به اسم شما صادر شده و در اختیار شما قرار میگیرد.
قابل اشتراکگذاری در
مرجان جلالی مقدم دانش آموخته کارشناسی ارشد هوش مصنوعی (دانشگاه صنعتی امیرکبیر) و دارای مقالات علمی مختلف و ثبت اختراع در حوزه هوش مصنوعی است.
ایشان تجربه فعالیت با عنوان توسعه دهنده و مشاور فنی در حوزه بینایی ماشین و یادگیری ماشین در شرکت های مختلف، تیم لید فنی و توسعه دهنده یادگیری عمیق در شرکت دیجی نکست و هم بنیانگذاری در شرکت ماکو ويژن را در کارنامه داشته و هم اکنون به عنوان مدیرعامل و مدرس بینایی ماشین و یادگیری عمیق فعالیت می کند
اطلاعات بیشتر