هزینه آموزش
۲۱,۰۰۰ تومان

آموزش مبانی یادگیری عمیق (Deep Learning)

آموزش مبانی یادگیری عمیق (Deep Learning)

تعداد دانشجو
۱۰,۷۵۶ نفر
مدت زمان
۲ ساعت و ۵۵ دقیقه
هزینه آموزش
۲۱,۰۰۰ تومان
محتوای این آموزش
۵۳ بازخورد (مشاهده نظرات)
آموزش مبانی یادگیری عمیق (Deep Learning)

در این آموزش ویدئویی، یکی از محبوب ترین و پرکاربردترین علوم حوزه هوش مصنوعی، یعنی یادگیری عمیق (Deep Learning)، معرفی شده است. در این آموزش، علاوه بر آشنایی با مبانی تئوری یادگیری عمیق، تکنیک ها و مدل های مختلف آموزش شبکه های عصبی عمیق، قادر خواهید بود تا در عمل نیز به طراحی، پیاده سازی و آموزش این شبکه ها بپردازید. همچنین در این آموزش به کاربردهای آکادمیک و تحقیقاتی و هم به کاربردهای عملی یادگیری عمیق توجه شده است. در این آموزش، تمرکز بر روی محبوب ترین مدل و کاربرد یادگیری عمیق یعنی مدل شبکه عصبی کانولوشنی با کاربرد در بینایی ماشین و پردازش تصویر خواهد بود.

آموزش مبانی یادگیری عمیق (Deep Learning)

تعداد دانشجو
۱۰,۷۵۶ نفر
مدت زمان
۲ ساعت و ۵۵ دقیقه
هزینه آموزش
۲۱,۰۰۰ تومان
محتوای این آموزش
۵۳ بازخورد (مشاهده نظرات)
مدرس
سعید محققی

دانشجوی دکتری تخصصی مهندسی پزشکی بیوالکتریک

مهندس سعید محققی در حال حاضر دانشجوی دکترای تخصصی در رشته مهندسی پزشکی – بیوالکتریک و نیز دستیار تدریس در دانشگاه شاهد تهران هستند. رساله دکترای ایشان در زمینه «پردازش تصاویر پزشکی با استفاده از تکنیک های یادگیری عمیق» است.

توضیحات تکمیلی

یادگیری عمیق (Deep Learning) شاخه ای از بحث یادگیری ماشین و هوش مصنوعی و مجموعه ای از الگوریتم‌ هایی است، که تلاش می کنند، مفاهیم انتزاعی سطح بالا را با استفاده از یادگیری در سطوح و لایه های مختلف مدل کنند. مطالعات بالینی نشان می دهند، که ساختار مغز پستانداران از معماری شبکه های عصبی عمیق بهره می برد که در آن، مفاهیم انتزاعی در لایه های مختلف، به ترتیب از مفاهیم و ویژگی های ساده تا مفاهیم سطح بالا، در نواحی مختلف قشر مغز، پردازش می شوند. ایده یادگیری عمیق با الهام از ساختار طبیعی مغز انسان و به کمک امکانات و فن آوری های جدید، توانسته است در بسیاری از حوزه های مربوط به هوش مصنوعی و یادگیری ماشین، موفقیت های چشم گیری را کسب کند.

مهم ترین مزایای یادگیری عمیق عبارت اند از:

  • یادگیری خودکار ویژگی ها
  • یادگیری چند لایه ویژگی ها
  • دقت بالا در نتایج
  • قدرت تعمیم بالا و شناسایی داده های جدید
  • پشتیبانی گسترده سخت افزاری و نرم افزاری
  • پتانسیل ایجاد قابلیت ها و کاربردهای بیشتر در آینده

در سال های اخیر، یادگیری عمیق، تحول بزرگی را در یادگیری ماشین و هوش مصنوعی ایجاد کرده است. از سال ۲۰۱۲ تا کنون، تمامی رتبه های برتر چالش شناسایی بصری ImageNet، که به جام جهانی بینایی ماشین معروف است، از شبکه های عصبی عمیق استفاده کرده اند. همچنین، تمام روش های برتر در رقابت های دسته بندی تصاویر اعداد دست نویس MNIST (با ۲۱ خطا در 10,000 تصویر) و تصاویر طبیعی CIFAR (با خطای کمتر از 5%) نیز به مدل های شبکه عصبی عمیق تعلق دارد. از سال ۲۰۱۲ به بعد، شرکت های بزرگ نرم افزاری و سخت افزاری مانند Google, Microsoft, NVIDIA نیز بخش مهمی از فعالیت های پژوهشی و تجاری خود را به یادگیری عمیق اختصاص داده اند.

با این که یادگیری عمیق در سال های ابتدایی توسعه خود قرار دارد، اما روند تحقیقات، مقالات و سرمایه گذاری های شرکت های بزرگ در این حوزه، نشان دهنده گسترش روز افزون کاربردهای یادگیری عمیق است. یادگیری عمیق تا کنون در کاربردهای گوناگون داده کاوی، پردازش تصویر و صدا، رباتیک و پزشکی مورد استفاده قرار گرفته است. طبق پیش بینی های مراکز علمی، در سال های آینده، بسیاری از تحقیقات، کاربردها و مشاغل موفق، به طور مستقیم یا غیرمستقیم از یادگیری عمیق بهره خواهند برد.

در این آموزش ویدئویی، علاوه بر آشنایی با مبانی تئوری یادگیری عمیق و تکنیک ها و مدل های مختلف آموزش شبکه های عصبی عمیق، قادر خواهید بود تا در عمل نیز به طراحی، پیاده سازی و آموزش این شبکه ها بپردازید. در این آموزش هم به کاربردهای آکادمیک و تحقیقاتی و هم به کاربردهای عملی یادگیری عمیق توجه شده است. در این آموزش، تمرکز بر روی محبوب ترین مدل و کاربرد یادگیری عمیق یعنی مدل شبکه عصبی کانولوشنی با کاربرد در بینایی ماشین و پردازش تصویر خواهد بود، همچنین برای آشنایی بیشتر با نحوه برنامه نویسی یادگیری عمیق می توانید به آموزش برنامه نویسی یادگیری عمیق با پایتون لینک (+) مراجعه نمایید.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: مقدمه و معرفی یادگیری عمیق (Deep Learning)
    • معرفی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
    • تاریخچه یادگیری عمیق
    • کاربردهای یادگیری عمیق
    • مزایا و چالش های یادگیری عمیق
  • درس دوم: روش ها و مدل های یادگیری عمیق
    • معرفی مدل های یادگیری عمیق
    • یادگیری بدون نظارت (Unsupervised)
    • مدل های خود رمزنگار (Auto Encoder)
    • مدل های شبکه عصبی عمیق مولد (Generative adversarial network)
    • یادگیری با نظارت (Supervised)
    • مدل های شبکه عصبی کانولوشنی (Convolutional neural network)
    • مدل های شبکه عصبی بازگشتی (Recurrent neural network)
  • درس سوم: جزئیات شبکه های عصبی کانولوشنی
    • لایه های کانولوشن
    • لایه های کاهش اندازه
    • مدل های برتر شبکه های عصبی کانولوشنی
  • درس چهارم: نحوه آموزش شبکه های عصبی
    • آماده سازی داده های آموزش
    • انتخاب معماری مناسب شبکه
    • الگوریتم های آموزش و بهینه سازی
    • تکنیک های تنظیم و بهبود روند آموزش
    • تکنیک Batch Normalization
    • تکنیک Dropout
    • تکنیک انتقال یادگیری (Transfer Learning)
  • درس پنجم: سخت افزارها، نرم افزارها و برنامه نویسی یادگیری عمیق (با پایتون)
    • معرفی سخت‌ افزارهای مناسب برای پیاده سازی ایده های یادگیری عمیق
    • معرفی نرم افزارها و کتابخانه های برنامه نویسی حوزه یادگیری عمیق
    • نحوه راه اندازی بسترهای کدنویسی پایتون، Keras و TensorFlow در ویندوز
    • مثال های برنامه نویسی در کتابخانه Keras به زبان پایتون
مشاهده بیشتر مشاهده کمتر

آنچه در این آموزش خواهید دید:

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

نرم افزارهای مرتبط با آموزش

نرم افزار Anaconda ورژن 4.2.0 در درس پنجم برای راه اندازی بسترهای برنامه نویسی به زبان پایتون استفاده شده است.



پیش نمایش‌ها

۱. مقدمه و معرفی یادگیری عمیق (Deep learning)

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: ۸ مگابایت -- (کلیک کنید +))

۲. روش ها و مدل های یادگیری عمیق

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: ۱۲ مگابایت -- (کلیک کنید +))

۳. جزئیات شبکه های عصبی کانولوشنی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۴. نحوه آموزش شبکه های عصبی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. سخت افزارها، نرم افزارها و برنامه نویسی یادگیری عمیق (پایتون)
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 مبانی یادگیری عمیق (Deep Learning)
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۶۱۰۸۱ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVML9511
مدت زمان ۲ ساعت و ۵۵ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (لینک دانلود)
حجم دانلود ۲۱۸ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۱۰,۷۵۶ نفر از این آموزش استفاده کرده اند و ۵۳ نظر ثبت شده است.
پگاه کردزاده
پگاه کردزاده

خیلی برای آشنایی مفید بود. برای ادامه و مباحث پیشرفته پیشنهادتون چیه؟ اگر فیلم آموزشی دیگری هست لطفا معرفی کنید. ممنونم

امیر حسین
امیر حسین

عالی عالی

حسن مستجاب
حسن مستجاب

آموزش بسیار ساده و روانه برای شروع از صفر عالیه

محمد امین
محمد امین

سلام دوستان من در دوره متوسطه هستم و برای علاقه شخصی و تایم آزاد این آموزش تهیه کردم و از فرادرس ممنونم که این آموزش کامل با قیمت مناسب در اختیار دوستاران این علم گذاشته است. ایرادی که میتوانم به این آموزش بگیرم اینکه بجای اینکه بعضی از موارد توضیح بدن به منابع آن آموزش ما را ارجاع میدادن و لینک اون سایت‌ها رو برای ما میذاشتن، ولی در کل توضیح خوبی در مورد پایه ها و اساس یادگیری عمیق داده بودن. برای شروع از صفر و حتا پایین تر از صفر، آموزش خوبیه؛ لحن استاد خوبه شیوا قابل درک درس میدن.

شیوا
شیوا

واقعا آموزش مفید و مختصری بود که خیلی از مشکلات و سوال هارو جواب میده

مجتبی
مجتبی

مناسب برای افرادی که نیاز به آشنایی اولیه سریع در زمینه یادگیری عمیق دارند.

محمد
محمد

من خودم تو حیطه برنامه نویسی و مدیا کار می کنم، اینم در حدی بود که به سوالتم پاسخ بده.

بهاره
بهاره

دوره بسیار خوبی هست ممنونم

رعنا حیدری
رعنا حیدری

سلام ،به نظرم اگر نحوه پیاده سازی cnnدر متلب رو بیان میکردن هم خوب بود

شیدا
شیدا

خیلی راضی بودم، چون با مثال توضیح داده شده بود.

زهرا
زهرا

چندتا ویژگی خوب داره فرادرس:
1. ساده اس یعنی عامه پسنده
2. قیمتش مناسبه
3. تخفیفات خوبی میذاره
4. همه چی توش پیدا میشه

زهرا
زهرا

ویدئو اولی یه توضیحات کلی در مورد آموزش ها بود که خیلی کامل بود چقدر خوب بود که بیان کرده بودند اما یه مقدار روی پیاده سازی آخر آموزش ضعیف کار کرده بودند.

رقیه
رقیه

خیلی خوب بود. آموزش های تخصصی فرادرس با هزینه ی کم برای منی که کارمندم و وقت زیادی هم ندارم، خیلی خیلی مناسبه.

سینا
سینا

خیلی پیشرفت کردم تو این آموزش و تمام اینا رو مدیون سایت فرادرس و تیم خوبتون هستم.

سروش
سروش

از نظر من مفید و کاربردی بود و مدرس خیلی خوب مباحث ارائه کردن.

زینب
زینب

خوب بود، در حد تئوری بود و نکته ی عملی داخلش نداشت ولی در کل راضی هستم.

محمد جواد
محمد جواد

در این زمینه هیچ اطلاعی نداشتم و اولین بار هست در این زمینه آموزش مشاهده می کنم چون مدرس مسلط بودن تمامی مطالب گفته شده رو یاد گرفتم.
تشکر می کنم بابت آموزش و ارائه خوبتون.

یاسین
یاسین

محتوای آموزش به نظرم کم بود، ولی استاد خوب یاد دادند. کد ها و نکان خوبی گفته شد.

نسرین
نسرین

بسیار جامع و مفید بود.

شایان
شایان

نسبت به قیمتی که داشت، خیلی خوبه خیلی. از نظر تئوری همه چی رو گفت.

زینب
زینب

در این مورد از جاهای دیگه آموزش تهیه کرده بودم. آموزش شما در حد مقدماتی میتونه خوب باشه ولی برای مباحث پیشرفته و تخصصی نمیتونه خیلی کاربردی باشه.

وریا
وریا

به نظرم بهتر بود اثبات به صورت کاملتر و بیشتر توضیح داده می شد و یه مقدار کد نویسی داشته باشه.

زینب
زینب

کامل پوشش داده بودند کامل تست ها رو حل میکردند و نکته ای رو از قلم نمی داختند.

سودابه
سودابه

سلام
این آموزش به کسایی که هیچ شناختی به مباحث ندارن پیشنهاد می کنم. من خودم به مباحث آشنا نبودم وقتی مقاله ایی میخوندم خیلی جاها به مشکل برخورد می کردم اما با دیدن این آموزش تونستم دید بهتری به مباحث پیدا کنم.

سروش
سروش

خیلی تئوری بود به نظرم باید یه مقداری مباحث عملی شامل می شد.

امین رضا
امین رضا

مختصر توضیح داده شده بود. من انتظارم بیشتر بود و به اون چیزی که هدفم بود نرسیدم و مجبور شدم یه آموزش دیگه ای تهیه کنم.

جلال
جلال

تئوری عملیه. تسلط استاد کاملا مشخصه. خسته نباشید به استاد گرامی.

علی
علی

آموزش خوبیه. پیش نیاز آن آموزش یادگیری ماشین با پیاده سازی در پایتون است که دو بخش دارد و مدرس آن آقای دکتر شیرافکن است.

غزل
غزل

با سلام.
واقعا خسته نباشید میگم به استاد عزیز
بسیار عالی بود

مهدی
مهدی

من با اینکه قبلا به قانون حق کپی رایت اهمیت نمیدادم اما وقتی فرادرس رو دیدم و فهمیدم چقدر زحمت میکشند|، به خاطر این اومدم و اورجینال این آموزش رو تهیه کردم. خیلی راضی بودم.

خلیل
خلیل

مباحث فوق العاده خوب بود.

احسان
احسان

تسلط مدرس و نحوه پوشش دارن سرفصل ها واقعا عالی بود

علی
علی

آموزش حوب بود ولی به صورت عمیق معرفی نشده بود جای تکمیل شدن داره

حسام
حسام

واقعا عالی بود

مریم
مریم

سلام- خوب بود. بهتر است قبل از آن آموزش یادگیری ماشین(تئوری و عملی) بخش اول را دید. مدرس آن آقای شیرافکن است.

بهروز
بهروز

مختصر و مفید بود و برای من که میخواستم مبانی رو یادبگیرم عالی بود. مشخصه که مدرس تسلط خوبی بر موضوع دارن که میتونن اینجوری مفاهیم رو به سادگی توضیح بدن که فهم اش راحت تر باشه. عالی بود

پگاه
پگاه

بسیار عالی بود
تسلط ایشان به مطالب بسیار خوب بود، برای اگاهی و اطلاعات اولیه مناسب بود
همچنین مفاهیم اولیه از شبکه عصبی را پوشش می داد
امیدوارم از توانایی ایشان در ارائه خوب مطالب در دروس بعدی نیز استفاده کنیم

محمد
محمد

آموزش خوبی بود تشکر مخصوصا نسبت به نرم افزار ها و کتابخانه ها آشنایی خوبی میده، اگه در مورد شبکه های RNN آموزش داشت بهتر بود

soroori
soroori

سلام به نظرم برای آشنایی خوب است و فقط یک مثال در مورد پردازش تصویر دارد و سطحی است

نفیسه
نفیسه

با سلام
لطفا مطالبی که در ویدیو فرمودین را مرجع دهی فرمایید.
با تشکر

کتایون
کتایون

با سلام
با توجه به سرفصل ، بیشتر آموزش جنبه تشریحی دارد، درصورت امکان بخش پیاده سازی را بخصوص در متلب به آموزش اضافه کنید، چون در برنامه نویسی متلب ورژن 2018 تولباکس های مربوط به یادگیری عمیق بخصوص شبکه کانولوشن اضافه شده است.
با تشکر.

امید
امید

سطحی توضیح داده شده بود

بهروز
بهروز

دنیای امروز به شدت در حال تغییر است .انسان ها برای بقا نیاز به سازگاری دارند اگر با تغییر سازگاری پیدا کردندرو به پیشرفت خواهندرفت این نوع اموزش ها باعث تکامل ذهن شناخت جهان در حال تغییر ونهایتا سازگاری میشود.این رمز بقا وپیشرفت خواهد بود

مظلومی
مظلومی

دروس ارائه شده فقط در قسمت مقدماتی و متوسطه باقی مانده و بیشتر معرفی یادگیری عمیق است. بهتر بود نوشتن و پیاده سازی عملی CNN یا RNN را نیز در متلب آموزش می دادند یا حداقل ویژگی های آنها را بیشتر بیان می کردند.

نرگس صالح پور
نرگس صالح پور


با سلام
آموزش عالیه.

علیرضا سلیمی
علیرضا سلیمی

تسلط استاد فوق العاده بود

کسری کامکار
کسری کامکار

با سلام .یکی از ویژگی های مفید آموزش به نظرم سرعت مناسب و بالای تدریس بود که مانع ایجاد خستگی میشد.
با تشکر از زحمات بی انتهای شما

مهدی
مهدی

با سلام
من این مجموعه را خریداری و مطالعه نمودم . بیشتر مجموعه تشریحی بوده و از کدنویسی و پیاده سازی عملی کمتر بحث شده است. کاش این مجموعه شبیه به مجموعه شبکه های عصبی آقای دکتر کلامی تدریس میشد که واقعا بی نظیر است.

zeinab mohammadian
zeinab mohammadian

اگر مباحث بیشتری مورد بحث قرار میگرفت خیلی بهتر بود.همچنین درصورتیکه سایتها ومقالات مفید در این زمینه معرفی شود اموزش جامعی خواهد بود.

shima
shima

سلام.مطالب خوب بود ولی سرعت تدریس خیلی بالا بود.

شیرین
شیرین

با سلام
فوق العاده عالی بود. امتیاز 100

محمود
محمود

به نظرم عالی بود درسته که مقدماتی هست ولی هیچی کم نداشت بدون خطا به نظرم تسلط استاد هم بسیار عالی هست. اگر دوره های پیشرفت رو بذارن خیلی عالی میشه

امید
امید

سرفصل ها و پیش نمایش ها فوق العاده است.​


برچسب‌ها:
Anaconda | Artificial Intelligence | Auto Encoders | CNN | Convolutional Neural Network | Convolutional Neural Networks | Deep Generative Network | Deep learning | GANs | Generative adversarial network | Image Processing | Keras | Machine Learning | Machine Vision | Neural Networks | python | Recurrent Neural Network | Recurrent Neural Networks | RNN | Supervised | Tensorflow | آموزش شبکه های عصبی | الگوریتم های آموزش | الگوریتم های یادگیری عمیق | الگوریتم یادگیری عمیق | برنامه نویسی پایتون | برنامه نویسی یادگیری عمیق | بهینه سازی | بینایی ماشین | پردازش تصویر | پیاده سازی ایده های یادگیری عمیق | تاریخچه یادگیری عمیق | تکنیک Batch Normalization | تکنیک Dropout | تکنیک انتقال یادگیری | تکنیک های بهبود روند آموزش | خودرمزنگار | دوره آموزشی | زبان برنامه نویسی پایتون (Python) | شبکه عصبی | شبکه های بازگشتی | شبکه های عصبی عمیق | شبکه های عصبی کانولوشنی | شبکه های کانولوشنی | کاربردهای یادگیری عمیق | کتابخانه Keras در زبان پایتون | کتابخانه های برنامه نویسی | کدنویسی پایتون | لایه های کانولوشن | لایه های کاهش اندازه | مثال های برنامه نویسی | مدل های برتر شبکه های عصبی کانولوشنی | مدل های خود رمزنگار | مدل های شبکه عصبی بازگشتی | مدل های شبکه عصبی عمیق مولد | مدل های شبکه عصبی کانولوشنی | مدل های یادگیری عمیق | مزایای یادگیری عمیق | نرم افزار یادگیری عمیق | هوش مصنوعی | یادگیری با نظارت | یادگیری بدون نظارت | یادگیری ژرف | یادگیری عمیق | یادگیری عمیق چیست | یادگیری عمیق در هوش مصنوعی
مشاهده بیشتر مشاهده کمتر
فهرست جلسات ۶ جلسه ویدئویی ×