آموزش یادگیری عمیق – شبکه های GAN با پایتون – پیش ثبت نام

هوش مصنوعی، انقلاب عصر کنونی دنیای فناوری اطلاعات است. هوش مصنوعی باعث سپردن برخی کارهای انسانی به ماشین و در نتیجه ارتقا زندگی انسان شده است. هوش مصنوعی شاخه های مختلفی دارد اما شاخه ای که بیشتر، این انقلاب را هدایت می کند، یادگیری ماشین است.

یادگیری ماشین، استخراج دانش از داده ها و استفاده از آن برای هوشمند کردن ماشین است. روشی که طلایه دار پیشرفت یادگیری ماشین محسوب می شود، قطعا یادگیری عمیق است. یادگیری عمیق شاخه های مختلفی دارد که یکی از آن ها GAN، یا شبکه های مخالف مولد (Generative Adversarial Networks) است. این نوع از شبکه های عصبی در سال ۲۰۱۴ توسط گودفلو در کنفرانس NIPS ارائه شد.

شبکه های مخالف مولد، اخیرا تبدیل به مهم ترین شاخه یادگیری عمیق شده است به طوری که در کنفرانس های معتبر یادگیری ماشین از قبیل NIPS بیشترین مقالات درباره این موضوع ارائه می شود. شبکه های GAN به قول یکی از دانشمندان مطرح یادگیری عمیق، یان لکان (Yann LeCun)، جالب ترین ایده یادگیری ماشین در ۱۰ سال گذشته است که دلیل این اهمیت، مولد بودن این شبکه ها است.

شبکه های GAN قادر هستند داده های جدید تولید کنند. کمبود داده های برچسب دار، یک چالش اساسی یادگیری ماشین است. کاربردهای موفق یادگیری ماشین کاربردهایی هستند که داده های برچسب دار فراوان دارند. منظور از برچسب این است که مثلا در مورد یک تصویر حیوان، مشخص شود تصویر چه حیوانی است. به صورت خلاصه، شبکه های مخالف مولد، قابلیت تولید هوشمندی جدید را به دنیای هوش مصنوعی وارد می کنند. کاربردهای این شبکه ها تاکنون بیشتر در حوزه تصویر بوده است.

ایجاد تصاویر جدید از افراد، ایجاد ویدیو های جدید، ایجاد اثر هنری، ایجاد ژست ها و تیپ های جدید از افراد برای تبلیغات، ایجاد شکلک (Emoji) از روی تصویر فرد، بازسازی و تعمیر تصاویر، ایجاد تصاویر با رزولوشن بالا، ترجمه متن به تصویر و در حوزه صوت و متن هم همین قابلیت ها مثل ایجاد موسیقی و متن جدید وجود دارد. در این فرادرس شما به صورت عملیاتی با شبکه های GAN آشنا می شوید. در ابتدا مفاهیم این شبکه ها بیان می شود، سپس به صورت عملی در زبان پایتون در قالب چند مثال با آن کار می کنیم.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• درس یکم: آشنایی با یادگیری عمیق و شبکه های GAN
• درس دوم: مفاهیم شبکه های GAN
  • معماری کلی شبکه های Autoencoder
  • معماری کلی شبکه های GAN
  • مقایسه Autoencoder با GAN
  • بخش مولد (Generator) شبکه GAN
  • بخش تفکیک کننده یا مخالف (Discriminator) شبکه GAN
  • ترکیب بخش مولد و تفکیک کننده
  • شبکه های مخالف مولد
  • معماری های شبکه های مخالف مولد
  • یادگیری نیمه نظارتی در شبکه های مخالف مولد
• درس سوم: شبکه GAN در پایتون
  • مثال
    • ایجاد یک شبکه GAN ساده
      • ایجاد بخش مولد
      • ایجاد بخش تفکیک کننده
      • ساخت و آموزش مدل
    • شبکه DCGAN
      • ایجاد بخش مولد
      • ایجاد بخش تفکیک کننده
      • ساخت و آموزش مدل
    • شبکه GAN شرطی (CGAN)
      • ایجاد بخش مولد
      • ایجاد بخش تفکیک کننده
      • ساخت و آموزش مدل

مفید برای رشته های

• مهندسی کامپیوتر
• مهندسی برق