آموزش یادگیری عمیق (Deep learning) – پیش ثبت نام

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

گروه مدرسین فرادرس
گروه مدرسین فرادرس

فرادرس از جهت فرصت آموختن، یک محیط کاملا باز (بدون هیچ مرز و شرط برای ورود) برای همه است. اما از جهت فرصت آموزش دادن، یک محیط به شدت بسته است و مدرسین آن با عبور از سخت ترین ضوابط علمی و فیلترهای مهارت آموزشی برگزیده و دستچین می شوند. در چندین سال گذشته کمتر از 5 درصد متقاضیان تدریس در فرادرس توانسته اند به مرحله نهایی ارائه آموزش در آن برسند. ارائه یک آموزش توسط «گروه مدرسین فرادرس» تضمینی برای کیفیت آن می باشد. (+)



بحث یادگیری ژرف، در حوزه های متفاوت و رشته های مختلف مورد استفاده قرار می گیرد. اما نکته بارزی که وجود دارد، این حیطه تاکنون برای پژوهش ها و فعالیت هایی که با داده های به نسبت زیاد سر و کار دارند، بدرد می خورد. در این دوره قرار است با نشان دادن انواع داده ها همانند نشان دادن انواع مختلف یک صندلی به یک کودک، ایشان را در جهت ترغیب برای تشخیص بهتر و درک از داده و صندلی راهنمایی کنید. این امر با استفاده از چینش و ترکیب اجزای متفاوت این نوع شبکه ها امکان پذیر خواهد بود.

👤 مدرس: گروه مدرسین فرادرس
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

وضعیت انتشار در حال برنامه ریزی
زمان تقریبی انتشار بر حسب تعداد درخواست های دانشجویان و اولویت زمانی و آموزشی اعضای هیات علمی فرادرس، انتشار این آموزش در واحد نشر فرادرس اولویت سنجی می شود. انتشار یک آموزش پس از شروع به ضبط ۴ تا ۱۲ هفته زمان می برد.

درخواست اطلاع رسانی انتشار این آموزش

این آموزش در حال برنامه ریزی برای ارائه در فرادرس است و انتشار سریع تر آن، بستگی به تعداد متقاضیان این آموزش دارد. چنانچه شما نیز تمایل به انتشار سریع این آموزش دارید در کادر زیر ایمیل خود را درج نمایید.

مزایای درخواست اطلاع رسانی انتشار:

  • مطلع شدن از انتشار آموزش در اولین زمان پس از انتشار
  • دادن بیشترین اولویت انتشار به آموزش های مورد نظر خود (آموزش های با بیشترین پیش ثبت نام، با اولویت بیشتری منتشر می شوند)
  • دریافت تخفیف ویژه به هنگام انتشار، مختص افرادی که درخواست اطلاع رسانی در یک آموزش داشته اند.

Please leave this field empty.




    توضیحات

    امروزه در دنیایی زندگی می کنیم که سرشار از داده هایی است که در کمتر از یک ثانیه تولید می شوند. تحلیل این داده ها می تواند ما را به مفاهیمی نزدیک کند که دور از انتظار بوده و از طریق آن ها به یک دانشی برسیم که می توان آن را برای ایده ها و مصارف متفاوت استفاده کرد و از این طریق به یک هوشمندی برسیم که بتوانیم تخمین و پیشگویی هایی از آینده تولید این داده ها در حوزه های مختلف، انجام دهیم.این داده ها می توانند متن، عکس، فیلم یا هر نوع داده ای که از طریق منابع و ابزارهای مختلف تولید می شوند، باشند و باید بدانیم برای رسیدن به یک حد مطلوبی از علم و دانش نباید به سادگی از کنار آنها گذشت و باید از آنها برای رسیدن به آینده ای بهتر استفاده کرد.

    آنجا که پردازش این داده ها با روش های سنتی مقرون به صرفه و امکان پذیر نیست، لذا بشر بر آن شد تا به فکر استفاده و پردازش و تحلیل این داده های حجیم بیفتد. ارزش دانشی که از تحلیل این داده ها به دست می آید بسیار بیشتر از آن است که ما فکر می کنیم.

    روش های متعددی برای تحلیل این داده ها وجود دارد. یکی از این روش ها برگرفته از مغز انسان و به ویژه نحوه فعالیت های مغز در بخش ویژوال کورتکس، الهام گرفته شده است. ما در بحث یادگیری ژرف با توجه به اینکه به نسبت لایه های تقریباً زیادی خواهیم داشت، وقتی به صورت کلی به سیستم نگاه کنیم متوجه می شویم که یک ساختار سلسله مراتبی از بحث یادگیری را همانند آنچه انسان انجام می دهد، داریم. برای مثال در لایه های ابتدای به یک سری لبه ها حساس می شویم، همین امر در لایه های بعدی با تجمیع این ویژگی ها به یک سری ویژگی های دیگر همچون دایره مثلث و اشکال تقریباً دو بعدی و همین امر در لایه های بالاتر به یک درک از فضای چند بعدی از آن شیء ورودی سیستم می رسد.

    بحث Deep learning یا یادگیری عمیق، ایده کلی اش در قدیم (تقریباً در سال ۱۹۹۰، یان لیکون (Yan leCunn)؛ کسی که به عنوان پدر شبکه های کانولوشنی معروف است، با ارائه یک شبکه کانولوشن برای ارقام دست نویس در تصاویر کوچک ۲۸*۲۸ با همان سخت افزارهای قدیمی ایده را پیاده کرد) نیز بیان شده بود اما نمود و پیدایش واقعی آن با موفقیت یک شبکه کانولوشن ژرف در رقابت ImageNet توسط الکس کریژوسکی (Alex Krizhevsky) و جف هینتون (Jeff Hinton) در سال ۲۰۱۲ توجه همگان را به خود جلب کرد و از این پس همه محققین سعی کردند با ورود به این عرصه و با طراحی و تعمیم شبکه های ژرف مختلف، آن را برای حوزه های مختلف استفاده کنند. یکی از دلایل عمده گسترش این حوزه از ۲۰۱۲ به بعد هم بحث گسترش تکنولوژی در سخت افزارهای پردازش گرافیکی یا همان GPU بود که توان پردازشی بسیار بالایی را مهیا می کردند و این دقیقاً نیازی بود که در سال ۱۹۹۰ برای لیکون به آن صورت ممکن نبود.

    همان طور که بیان شد، در چند سال اخیر با رشد سخت افزاری خوبی که در جهان بوده، پردازشگرهای گرافیکی، رشد چشمگیری داشتند و فضا را برای کار و پردازش در حوزه یادگیری ژرف را مهیا کردند.

    بحث یادگیری ژرف، در حوزه های متفاوت و رشته های مختلف مورد استفاده قرار می گیرد. اما نکته بارزی که وجود دارد، این حیطه تاکنون برای پژوهش ها و فعالیت هایی که با داده های به نسبت زیاد سر و کار دارند، بدرد می خورد. در این دوره قرار است با نشان دادن انواع داده ها همانند نشان دادن انواع مختلف یک صندلی به یک کودک، ایشان را در جهت ترغیب برای تشخیص بهتر و درک از داده و صندلی راهنمایی کنید. این امر با استفاده از چینش و ترکیب اجزای متفاوت این نوع شبکه ها امکان پذیر خواهد بود.

    در این دوره مقدماتی سعی خواهیم کرد مباحث مقدمات ورود به بحث تحلیل با رویکرد یادگیری ژرف را ارائه نماییم.

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: مقدمات و آماده سازی ذهنی در خصوص تحلیل
      • مفهوم کلی داده و روند تولید داده ها
      • نمونه مثال های تولید داده توسط ابزارهای متفاوت
      • آشنایی با فضای کلان داده و فرق آن با داده
      • دلیل نیاز به تحلیل داده
      • روش های تحلیل داده معمولی
      • ابزارهای کارآمد مشهور حوزه کلان داده (Big data)
      • مقدمات رویکرد یادگیری ژرف
      • اجزای طراحی یک شبکه ژرف
      • نمونه مثال های کاربردی شبکه های ژرف (Deep learning)
      • ابزارهای پردازشی حوزه شبکه های ژرف
      • جمع بندی دید کلی از آموزش تحلیل با رویکرد شبکه های ژرف
    • درس دوم: آشنایی با اجزای شبکه های ژرف
      • مقدمه شبکه های عصبی کانولوشن و دید کلی رسیدن به یادگیری ژرف
      • مفهوم فیلتر و نمود آن در ریاضی (filtering)
      • یادآوری مفهوم یک ویژگی خوب (feature)
      • مفهوم لایه کانولوشن (Convolution layer)
      • مفهوم ادغام یا پولینگ (Pooling)
      • مفهوم لایه ادغام یا پولینگ (Pooling layer)
      • مفهوم نرمال سازی (Normalization) و انواع توابع نرمال سازی
      • مفهوم تابع معروف Rectified Linear Unit (ReLU)
      • مفهوم لایه ReLU
      • مفهوم و بیان پشته مجموعه ای از لایه ها (stack of layers) و بحث پشته ژرف (Deep stack)
      • مفهوم لایه تمام متصل (Fully Connected layer)
      • نحوه استفاده از FC ها و استفاده از لایه های میانی یا مخفی در بخش FC
      • مفهوم آموزش (Learning)
      • مفهوم انتشار رو به عقب (Backpropagation)
      • مفهوم کاهش گرادیان (Gradient descent)
      • مفهوم پارامترهای شبکه
      • چالش های کار در حوزه یادگیری ژرف
      • محدودیت های شبکه های یادگیری ژرف و ارائه برخی راه حل های رهایی
      • چالش های کار در حوزه یادگیری ژرف
      • نمونه مسیر حل مسائل مختلف در حوزه های مختلف با یادگیری ژرف
      • آیا همه مسائل با یادگیری ژرف حل خواهند شد؟


    اطلاعات تکمیلی

    نام آموزش آموزش یادگیری عمیق (Deep learning) – پیش ثبت نام
    ناشر فرادرس
    کد آموزش FVML9511
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)



    مطالب مرتبط


    دیدگاه ها

    1. 0 از 5

      :

      لطفا آموزش رو سریعتر شروع کنین.

    2. 0 از 5

      :

      باسلام؛

      لطفا دکتر کلامی تدریس کنن.

      بخش عملی و کدنویسی هم داشته باشه. برای صرفا تئوری، کتاب میشه خوند.

    3. 0 از 5

      :

      سلام.

      لطفا زودتر آموزش شروع بشه و دکتر کلامی هریس هم تدریس کنن و برنامه نویسی و معرفی چند تا از شبکه های عمیق معروف و پر کاربرد مثل CNN و باور بیز و شبکه بیز و …. هم توش باشه. حتی از مقالات هم باشه که جدید هستن خوبه، چون هوش مصنوعی داره روی لبه علم حرکت میکنه و با توجه به مفاهیم پایه خیلی مهم هست دانش روز هم توش باشه.

      ممنون

    4. 0 از 5

      :

      با سلام بر عزیزان.

      لطفا دکتر کلامی تدریس کنن و بخش عملی و کدنویسی هم داشته باشه. برای صرفا تئوری، کتاب میشه خوند.

    5. 0 از 5

      :

      درود، لطفا یک فصل به کاربرد آن اشاره بشه.
      من در این خصوص کاربردها یا مثال های جدیدی از مقالات خواندم شما بهتر می دانید در کاربرد قطعه بندی تصاویر که حجم بالای داده هست می توان یادگیری عمیق را به کار برد.
      لطفا اشاره کنید آیا یادگیری ژرف می تواند با الگوریتم های فراابتکاری جهت بهبود ادغام شود.

    6. 0 از 5

      :

      لطفا قبل از اتمام سال ۹۵ توسط دکتر کلامی به صورت برنامه نویسی با متلب این مجموعه ارائه شود.

    7. 0 از 5

      :

      لطفا آموزش های از این قبیل که از موضوعات داغ و به روز هستند را سریعتر تولید بفرمائید. ضمنا در صورتیکه آموزش بر پایه زبان پایتون ارائه شود بسیار مفید تر از سایر زبان ها خواهد بود.
      با تشکر

    8. 5 از 5

      :

      سلام ؛
      ترو خدا سریع تر این آموزش رو تهیه کنید؛ لطفا اگه میشه بعدا یا همراهش کد نویسی با متلب و پایتون رو بزارید. اگه امکانش هست انتهای بسته یک پروژه تعریف کنید که دوستانی که آموزش رو تهیه میکنند, بتونن به صورت تآملی داخل یک فروم, پروژه رو انجام بدن.
      مرسی

    9. 0 از 5

      :

      بی صبرانه منتظرشیم. لطفا شروع کنید اموزششو.

    10. 5 از 5

      :

      لطفا از دکتر کلامی هریس برای این مبحث استفاده نمایید وهرچه سریعتر آموزش رو آماده بفرمایید

    11. 0 از 5

      :

      سلام ممنون میشم زودتر این آموزش رو بذارین

    12. 0 از 5

      :

      با سلام
      امیدوارم این آموزش در کمترین زمان تهیه بشود. زیرا به دلیل پیشرفت سریع علم، تاخیر در تهیه این آموزش سبب کاهش اهمیت آن خواهد شد.
      با تشکر


    نظر شما در مورد این فرادرس چیست؟

    درج دیدگاه

    امتیاز شما به این آموزش:

    *




درخواست اطلاع رسانی انتشار این آموزش

این آموزش در حال برنامه ریزی برای ارائه در فرادرس است و انتشار سریع تر آن، بستگی به تعداد متقاضیان این آموزش دارد. چنانچه شما نیز تمایل به انتشار سریع این آموزش دارید در کادر زیر ایمیل خود را درج نمایید.

مزایای درخواست اطلاع رسانی انتشار:

  • مطلع شدن از انتشار آموزش در اولین زمان پس از انتشار
  • دادن بیشترین اولویت انتشار به آموزش های مورد نظر خود (آموزش های با بیشترین پیش ثبت نام، با اولویت بیشتری منتشر می شوند)
  • دریافت تخفیف ویژه به هنگام انتشار، مختص افرادی که درخواست اطلاع رسانی در یک آموزش داشته اند.

Please leave this field empty.



برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,




فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران

عضویت در خبرنامه فرادرس

برای دریافت اخبار مربوط به آخرین فرادرس های منتشر شده، ایمیل خود را در کادر زیر وارد نمایید.

Please leave this field empty.

تمامی محصولات و خدمات این وبسایت، حسب مورد دارای مجوزهای لازم از مراجع مربوطه می‌باشند و فعالیت‌های این سایت تابع قوانین و مقررات جمهوری اسلامی ایران است.
فرادرس مجوز نشر دیجیتال از وزرات فرهنگ و ارشاد اسلامی logo-samandehi پرداخت آنلاین -  بانک ملت پرداخت آنلاین - بانک پارسیان پرداخت آنلاین - بانک اقتصاد نوین پرداخت آنلاین - بانک سامان