×
۷۵,۰۰۰ تومان تا ۱۶۰ هزار تومان تخفیف

آموزش مبانی یادگیری عمیق

آموزش مبانی یادگیری عمیق

تعداد دانشجو
۳۸۷ نفر
مدت زمان
۵ ساعت و ۲۶ دقیقه
هزینه عادی آموزش
۷۵,۰۰۰ تومان
در طرح تخفیف
تا ۱۶۰ هزار تومان تخفیف (کسب اطلاعات بیشتر +)
محتوای این آموزش
تضمین کیفیت
۱ بازخورد (مشاهده نظرات)
آموزش مبانی یادگیری عمیق

در این آموزش، یکی از محبوب‌ترین و پرکاربردترین علوم حوزه هوش مصنوعی، یعنی یادگیری عمیق (Deep Learning)، معرفی شده است. در حال حاضر، تقریبا در تمام كاربردهای هوش مصنوعی مبتنی بر پردازش تصویر، صوت و متن، مانند: تلفن‌های همراه، سامانه‌های هوشمند اینترنتی، رباتیک و ماشین‌های خودران، ردپای یادگیری عمیق دیده می‌شود. در این آموزش، علاوه بر تئوری مبانی یادگیری عمیق، تکنیک‌ها و مدل‌های مختلف و نحوه آموزش شبکه‌های عصبی عمیق، مثال‌های عملی کار با مدل‌ها و نحوه پیاده‌سازی بستر کدنویسی پایتون و تنسورفلو نیز ارائه خواهد شد.

آموزش مبانی یادگیری عمیق

مدت زمان
۵ ساعت و ۲۶ دقیقه
هزینه عادی آموزش
۷۵,۰۰۰ تومان
در طرح تخفیف
تا ۱۶۰ هزار تومان تخفیف

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۱ بازخورد (مشاهده نظرات)
مدرس
سعید محققی

دانشجوی دکتری تخصصی مهندسی پزشکی - بیوالکتریک

رساله دکتری ایشان در زمینه «پردازش تصاویر پزشکی با استفاده از تکنیک‌های یادگیری عمیق» است. از تخصص‌های اصلی ایشان می‌توان برنامه‌نویسی، پردازش سیگنال‌ها، تصاویر دیجیتال و هوش مصنوعی را نام برد.

چکیده آموزش


توضیحات تکمیلی

در این آموزش، یکی از محبوب‌ترین و پرکاربردترین علوم حوزه هوش مصنوعی، یعنی یادگیری عمیق (Deep Learning)، معرفی شده است. در حال حاضر، تقریبا در تمام كاربردهای هوش مصنوعی مبتنی بر پردازش تصویر، صوت و متن، مانند: تلفن‌های همراه، سامانه‌های هوشمند اینترنتی، رباتیک و ماشین‌های خودران، ردپای یادگیری عمیق دیده می‌شود. در این آموزش، علاوه بر تئوری مبانی یادگیری عمیق، تکنیک‌ها و مدل‌های مختلف و نحوه آموزش شبکه‌های عصبی عمیق، مثال‌های عملی کار با مدل‌ها و نحوه پیاده‌سازی بستر کدنویسی پایتون و تنسورفلو نیز ارائه خواهد شد.

بیشتر مباحث مطرح شده در این آموزش به طور خلاصه و در زمان كوتاه ولی در سطح مناسبی عنوان شده و در انتهای این آموزش، قادر خواهید بود تا با تسلط خوبی بر روی مباحث پایه‌ای یادگیری عمیق، وارد مرحله بعدی یعنی آموزش‌های کدنویسی و کار عملی در این حوزه شوید. رویکرد اصلی این آموزش، حوزه بینایی ماشین و پردازش تصویر است و مدل‌های کانولوشنی که از محبوب‌ترین مدل‌های یادگیری عمیق هستند با جزئیات بیشتری بررسی خواهند شد.

مهمترین مزایای یادگیری عمیق عبارت‌اند از:

  • یادگیری خودکار ویژگی‌ها
  • یادگیری چندلایه ویژگی‌ها
  • دقت بالا در نتایج
  • قدرت تعمیم بالا و شناسایی داده‌های جدید
  • پشتیبانی گسترده سخت‌افزاری و نرم‌افزاری
  • پتانسیل ایجاد قابلیت‌ها و کاربردهای بیشتر در آینده

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • فصل یکم: مقدمه‌ای بر مبانی یادگیری عمیق
    • درس یکم: مقدمه و معرفی هوش مصنوعی و یادگیری ماشین
    • درس دوم: ساختار و عملکرد شبکه‌های عصبی
    • درس سوم: مثال عملی کار با شبکه‌ عصبی MLP
    • درس چهارم: تاریخچه و وضعیت فعلی یادگیری عمیق
  • فصل دوم: روش‌ها و مدل‌های یادگیری عمیق
    • درس پنجم: روش‌های آموزش در یادگیری عمیق
    • درس ششم: کار عملی با مدل MLP
    • درس هفتم: معرفی اولیه مدل CNN
    • درس هشتم: معرفی مدل RNN
    • درس نهم: معرفی مدل‌های خودرمزنگار
    • درس دهم: کار عملی با مدل خودرمزنگار
    • درس یازدهم: معرفی مدل VAE
    • درس دوازدهم: معرفی مدل‌های GAN
  • فصل سوم: مدل‌های کانولوشنی (CNN)
    • درس سیزدهم: معرفی لایه‌های کانولوشن
    • درس چهاردهم: معرفی لایه‌های کاهش اندازه
    • درس پانزدهم: نحوه نمایش مدل‌های کانولوشنی
    • درس شانزدهم: اجرای کد مدل MLP
    • درس هفدهم: اجرای کد مدل CNN
    • درس هجدهم: مدل‌های کلاس‌بندی
    • درس نوزدهم: مدل‌های تشخیص اشیا و تشخیص چهره
    • درس بیستم: مدل‌های بخش‌بندی تصاویر
  • فصل چهارم: آموزش مدل‌ها
    • درس بیست‌و‌یکم: آماده‌سازی داده‌ها
    • درس بیست‌و‌دوم: انتخاب یا طراحی معماری مدل
    • درس بیست‌وسوم: توابع خطا و بهینه‌سازی
    • درس بیست‌وچهارم: آموزش مدل به روش Back - Propagation
    • درس بیست‌وپنجم: تکنیک‎‌های Batch Normalization و Dropout به همراه مثال عملی
    • درس بیست‌وششم: تکنیک Transfer Learning
  • فصل پنجم: راه‌اندازی بستر کدنویسی پایتون (Python) و تنسورفلو (TensorFlow)
    • درس بیست‌وهفتم: بررسی سخت‌افزارها و نرم‌افزارهای مورد نیاز
    • درس بیست‌وهشتم: راه‌اندازی بستر کدنویسی پایتون
    • درس بیست‌و‌نهم: راه‌اندازی بستر تنسورفلو
    • درس سی‌ام: راه‌اندازی محیط تنسورفلو برای اجرا بر روی GPU
    • درس سی‌‌ویکم: محیط‌های کدنویسی پایتون

مفید برای رشته‌های
  • مهندسی کامپیوتر - نرم‌افزار
  • مهندسی فناوری اطلاعات (IT)
  • هوش مصنوعی
  • مهندسی برق
  • مهندسی پزشکی
  • مهندسی صنایع

پیش نیاز


آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

Anaconda 3, Python 3.8




پیش نمایش‌ها

۱. مقدمه و معرفی هوش مصنوعی و یادگیری ماشین

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۳ مگابایت -- (کلیک کنید +))

۲. ساختار و عملکرد شبکه‌های عصبی

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۴ مگابایت -- (کلیک کنید +))

۳. مثال عملی کار با شبکه‌ عصبی MLP

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۹ مگابایت -- (کلیک کنید +))

۴. تاریخچه و وضعیت فعلی یادگیری عمیق
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. روش‌های آموزش در یادگیری عمیق
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. کار عملی با مدل MLP
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. معرفی اولیه مدل CNN
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. معرفی مدل RNN
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. معرفی مدل‌های خودرمزنگار
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. کار عملی با مدل خودرمزنگار
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۳۲ جلسه ویدئویی با مجموع ۵ ساعت و ۲۶ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش مبانی یادگیری عمیق
ناشر فرادرس
کد آموزش FVML9912
مدت زمان ۵ ساعت و ۲۶ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۶۹۲ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.





نظرات

تا کنون ۳۸۷ نفر از این آموزش استفاده کرده اند و ۱ نظر ثبت شده است.
مهربد
مهربد

ممنون از آقای دکتر محققی؛ خوب، خلاصه و to the point ... عالی

برچسب‌ها:
CNN | Data Augmentation | Deep learning | Regularization | Transfer Learning | آماده ‌سازی داده ‌های یادگیری عمیق | آموزش شبکه های عصبی عمیق | آموزش مبانی یادگیری عمیق | آموزش مدل‌ های یادگیری عمیق | اجرای کد مدل CNN | اجرای کد مدل MLP | بهینه‌ سازی در یادگیری عمیق | پیاده‌ سازی بستر کدنویسی پایتون | پیاده ‌سازی بستر کدنویسی تنسورفلو | تئوری مبانی یادگیری عمیق | تاریخچه یادگیری عمیق | تکنیک Batch Normalization | تکنیک Dropout | تکنیک Transfer Learning | توابع خطا در یادگیری عمیق | راه‌ اندازی بستر تنسورفلو | راه اندازی بستر کدنویسی پایتون | روش Back - propagation | روش ‌های آموزش در یادگیری عمیق | روش‌ های یادگیری عمیق | ساختار شبکه های عصبی | عملکرد شبکه ‌های عصبی | کار با شبکه‌ عصبی MLP | کار عملی با مدل MLP | کار عملی با مدل خودرمزنگار | مباحث پایه ‌ای یادگیری عمیق | مبانی یادگیری عمیق | محیط‌ های کدنویسی پایتون | مدل‌ های بخش‌ بندی تصاویر | مدل‌ های تشخیص اشیا | مدل های تشخیص چهره | مدل ‌های کانولوشنی | مدل ‌های کلاس ‌بندی | مدل های یادگیری عمیق | مدل های یادگیری عمیق | مزایای یادگیری عمیق | معرفی اولیه مدل CNN | معرفی لایه ‌های کانولوشن | معرفی لایه‌ های کاهش اندازه | معرفی مدل RNN | معرفی مدل VAE | معرفی مدل‌ های GAN | معرفی مدل‌ های خودرمزنگار | معرفی هوش مصنوعی | معرفی یادگیری ماشین | معماری مدل یادگیری عمیق | مقدمه هوش مصنوعی | مقدمه یادگیری ماشین | نحوه پیاده‌ سازی کدنویسی پایتون | نحوه نمایش مدل‌ های کانولوشنی | وضعیت یادگیری عمیق
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۳۲ جلسه ویدئویی