هزینه آموزش
۳۰,۰۰۰ تومان

آموزش یادگیری عمیق - شبکه های GAN با پایتون

آموزش یادگیری عمیق - شبکه های GAN با پایتون

تعداد دانشجو
۱,۹۷۴ نفر
مدت زمان
۵ ساعت و ۶ دقیقه
هزینه آموزش
۳۰,۰۰۰ تومان
محتوای این آموزش
۶ بازخورد (مشاهده نظرات)
آموزش یادگیری عمیق - شبکه های GAN با پایتون

در این فرادرس با مفاهیم و کاربردهای شبکه عصبی عمیق (GAN (Generative Adversarial Network آشنا خواهید شد. شبکه های GAN، یکی از به روزترین معماری های یادگیری عمیق است که از زمان مطرح شدن در سال ۲۰۱۴ تاکنون به شدت رشد یافته است. رشد عجیب این معماری یادگیری عمیق، به خاطر کاربردهای جذاب و بعضا حیرت آور آن از قبیل متحرک سازی تصویر ثابت مونالیزا و… بوده است. این معماری یادگیری عمیق، موضوع اصلی مقالات علمی در کنفرانس های معتبر یادگیری ماشین از قبیل NIPS در سال های اخیر است. در این آموزش با شبکه های GAN معمولی، شبکه های Deep Convolutional GAN, Semi-supervised GAN, Conditional GAN و CycleGAN آشنا می شوید.

آموزش یادگیری عمیق - شبکه های GAN با پایتون

تعداد دانشجو
۱,۹۷۴ نفر
مدت زمان
۵ ساعت و ۶ دقیقه
هزینه آموزش
۳۰,۰۰۰ تومان
محتوای این آموزش
۶ بازخورد (مشاهده نظرات)
مدرس
دکتر عادل قاضی خانی

دکتری تخصصی مهندسی کامپیوتر

زمینه تخصصی دوره دکتری ایشان در حوزه داده‌کاوی و یادگیری ماشین بوده است. ایشان هیئت علمی گروه کامپیوتر دانشگاه بین‌المللی امام رضا هستند و مقالات متعددی در حوزه یادگیری ماشین دارند. همچنین ایشان دارای سابقه تدریس دروسی همچون: داده‌کاوی، تحلیل داده‌های حجیم و بینایی کامپیوتر در مقطع کارشناسی ارشد هستند.

چکیده آموزش


توضیحات تکمیلی

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 (Goodfellow) در کنفرانس NIPS ارائه شد.

شبکه های GAN قادر هستند داده های جدید تولید کنند. کمبود داده های برچسب دار، یکی  از چالش های 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.

در این فرادرس با مفاهیم و کاربردهای شبکه عصبی عمیق آشنا خواهید شد. شبکه های GAN، یکی از به روزترین معماری های یادگیری عمیق است که از زمان مطرح شدن در سال ۲۰۱۴ تاکنون به شدت رشد یافته است. رشد عجیب این معماری یادگیری عمیق، به خاطر کاربردهای جذاب و بعضا حیرت آور آن از قبیل متحرک سازی تصویر ثابت مونالیزا و… بوده است. این معماری یادگیری عمیق، موضوع اصلی مقالات علمی در کنفرانس های معتبر یادگیری ماشین از قبیل NIPS در سال های اخیر است.

در حوزه کاربرد نیز شاهد ظهور کاربردهای متعدد آن در مقالات هستیم و یافتن کاربردهای جدید برای شبکه های GAN خود یک موضوع علمی است. به صورت خلاصه می توان گفت توانمندی که شبکه های GAN در اختیار طراحان محصولات هوش مصنوعی و محققین قرار می دهد، قابلیت تولید هوشمندی جدید است. این قابلیت را می توان در کاربردهایی از قبیل: نقاشی کشیدن توسط ماشین، تولید ویدئوی جدید در حوزه های خاص و… مشاهده کرد.

در این آموزش با شبکه های GAN معمولی، شبکه های Deep Convolutional GAN, Semi-supervised GAN, Conditional GAN و CycleGAN آشنا می شوید. علاوه بر این، قبل از ورود به موضوع شبکه های GAN، مفاهیم مقدماتی مورد نیاز یادگیری ماشین و شبکه های عصبی بیان شده است. در این آموزش از زبان پایتون برای آموزش برنامه نویسی در شبکه های GAN استفاده شده است. آموزش به صورت کوتاه بوده مطالب مهم و کلیدی شبکه های GAN و انواع آن را بیان می کند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: مقدمه ای بر هوش مصنوعی و شبکه های GAN
    • هوش مصنوعی، یادگیری ماشین، یادگیری عمیق
    • شبکه های GAN و کاربردهای آن
  • درس دوم: مفاهیم پایه ای یادگیری ماشین و شبکه عصبی
    • یادگیری ماشین
    • انواع یادگیری
    • مفاهیم پایه ای شبکه عصبی
    • شبکه عصبی عمیق
  • درس سوم: شبکه های Autoencoder
    • مدل سازی مولد
    • معماری شبکه Autoencoder
    • یادگیری در شبکه Autoencoder
    • کاربردهای شبکه Autoencoder
    • معماری شبکه Variational Autoencoder
    • توانمندی و نقص Autoencoder در مدل سازی مولد
  • درس چهارم: شبکه ‌های GAN معمولی
    • معماری شبکه GAN
    • تابع هزینه در شبکه GAN
    • بهینه سازی رقابتی تابع هزینه در شبکه GAN
    • یادگیری در شبکه GAN
    • مقایسه GAN با Autoencoder
    • آموزش شبکه GAN
    • مثال عملی شبکه GAN در پایتون
  • درس پنجم: شبکه های GAN کانولوشنی (Deep Convolutional GAN)
    • شبکه های عصبی کانولوشنی
    • لایه های کانولوشن، Pooling و کانولوشن معکوس
    • معماری شبکه DCGAN
    • مثال عملی شبکه DCGAN در پایتون
  • درس ششم: شبکه های GAN نیمه نظارتی (Semisupervised GAN)
    • یادگیری نیمه نظارتی
    • معماری شبکه Semi-supervised GAN
    • تفاوت عملکرد شبکه Semi-supervised GAN با سایر شبکه های GAN
    • مثال عملی شبکه Semi-supervised GAN در پایتون
  • درس هفتم: شبکه های GAN مشروط (Conditional GAN)
    • چالش شبکه GAN در مدل سازی مولد
    • معماری شبکه CGAN
    • مثال عملی شبکه CGAN در پایتون
  • درس هشتم: شبکه های GAN چرخشی (Cycle GAN)
    • معماری شبکه CycleGAN
    • تابع های هزینه در شبکه CycleGAN
    • توضیح روال پیاده سازی CycleGAN
    • معماری شبکه U-Net در CycleGAN
    • معماری شبکه PatchGAN در CycleGAN
مفید برای رشته های
  • مهندسی کامپیوتر
مشاهده بیشتر مشاهده کمتر

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

PyCharm 2018, Python 3.6, TensorFllow 2, Keras 2.3.1



پیش نمایش‌ها

۱. مقدمه ای بر هوش مصنوعی و شبکه های

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. مفاهیم پایه‌ای یادگیری ماشین و شبکه 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: ۶ مگابایت -- (کلیک کنید +))

۳. شبکه های Autoencoder

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: ۷ مگابایت -- (کلیک کنید +))

۴. شبکه های GAN معمولی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. شبکه های GAN کانولوشنی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. شبکه های GAN نیمه نظارتی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. شبکه های GAN مشروط
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. شبکه های GAN چرخشی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.

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 یادگیری عمیق - شبکه های GAN با پایتون
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۷۳۹۵۵ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVDL9806
مدت زمان ۵ ساعت و ۶ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (لینک دانلود)
حجم دانلود ۳۴۹ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۱,۹۷۴ نفر از این آموزش استفاده کرده اند و ۶ نظر ثبت شده است.
محبوبه شیخی
محبوبه شیخی

بسیار عالی بود، توصیه میکنم حتما استفاده کنید از این اموزش

سینا گلشن
سینا گلشن

بسیار عالی بود و خیلی قوی کار شده بود

وحید
وحید

خیلی خوبه، علمش به روز هست. یادگیری عمیق یکی از روش هاش GAN هست، که تازه وارد ایران شده و داره جا می افته.
پیشنهاد میدم فرادرس به جای اینکه از طریق سیگنال های تصویری درس بده، بیشتر از طریق سیگنال های صوتی یاد بده، به نظرم موفق تر خواهد بود.

زهرا
زهرا

مدرس بسیار مسلط و دقیق توضیح میدادن، من زندگیم فرادرسه واقعا.

بابک
بابک

واقعا واقعا عالی بود. مقدمه خیلی قوی کار شده بود، برای کسی که از صفر شروع کرده مناسبه. تعداد روش های گفته شده قابل قبول بود. توضیحات قابل فهم و مثال های عددی خوبی زده شد.

امیررضا
امیررضا

آموزش بسیار عالی و فوق العاده اس، لطفا برای سایر مباحث هوش مصنوعی و فریمورک Pytorch هم آموزش هایی رو منتشر کنین.


برچسب‌ها:
Autoencoder | Autoencoder Network | CGAN | Conditional GAN | Cycle GAN | Deep Convolutional GAN | Deep learning | discriminator | GAN | GAN generator | GAN Network | GAN networks using python | Generative adversarial network | Generative Adversarial Networks | Goodfellow | Neural Network | NIPS | PatchGAN | Pooling | python | Semi-supervised GAN | U-Net | Variational Autoencoder | Yann LeCun | آموزش یادگیری عمیق | ایجاد بخش تفکیک کننده | ایجاد بخش تفکیک کننده شبکه | ایجاد بخش مولد | ایجاد بخش مولد شبکه | ایجاد یک شبکه GAN ساده | بخش تفکیک ‌کننده شبکه GAN | بخش مخالف شبکه GAN | بخش مولد شبکه GAN | برنامه نویسی | برنامه نویسی در شبکه های GAN | تابع هزینه | ترکیب بخش مولد و تفکیک‌کننده | تصویر ثابت مونالیزا | داده های برچسب دار | زبان پایتون | ساخت و آموزش مدل | شبکه DCGAN | شبکه GAN در پایتون | شبکه GAN شرطی | شبکه U-Net | شبکه رمزگذار خودکار | شبکه عصبی عمیق | شبکه‌ های Autoencoder | شبکه های GAN | شبکه های GAN با پایتون | شبکه های GAN چرخشی | شبکه های GAN کانولوشنی | شبکه های GAN مشروط | شبکه های GAN معمولی | شبکه های GAN نیمه نظارتی | شبکه های عصبی | شبکه های عصبی کانولوشنی | شبکه‌ های مخالف مولد | قابلیت تولید هوشمند | کاربردهای شبکه عصبی عمیق | کانولوشن | کانولوشن معکوس | کنفرانس NIPS | کنفرانس های معتبر یادگیری ماشین | گودفلو | لایه های کانولوشن | مدل سازی مولد | معماری شبکه Autoencoder | معماری شبکه CGAN | معماری شبکه DCGAN | معماری شبکه ‌های GAN | معماری‌ های شبکه‌ های مخالف مولد | معماری یادگیری عمیق | مفاهیم پایه ای شبکه عصبی | مقالات علمی | مقایسه Autoencoder با GAN | مونالیزا | هوش مصنوعی | یادگیری عمیق | یادگیری ماشین | یادگیری نیمه نظارتی
مشاهده بیشتر مشاهده کمتر