آموزش یادگیری انتقال – 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

دکتر امیر حسین کیهانی پور
دکتر امیر حسین کیهانی پور

مدرس دانشگاه تهران

دکترای تخصصی مهندسی کامپیوتر-گرایش هوش مصنوعی


امیر حسین کیهانی پور فارغ التحصیل دکترای تخصصی در رشته مهندسی کامپیوتر، گرایش هوش مصنوعی از دانشگاه تهران و نیز مدرس دانشگاه تهران و دانشگاه صنعتی شریف هستند. (+)



در این آموزش، ضمن بیان کلیات ساختار روش های انتقال یادگیری، یک طبقه بندی مرجع در بررسی تکنیک های مختلف یادگیری انتقال نیز معرفی خواهد شد. در ادامه بحث، مرور کاملی از کاربردهای یادگیری انتقال برای مسائل پایه ای نظیر رده بندی (Classification)، رگرسیون و خوشه بندی (Clustering) انجام خواهد شد. همچنین به منظور ایجاد امکان استفاده از این تکنیک ها، معرفی اجمالی در خصوص برخی از ابزارهای متن باز موجود در زمینه یادگیری انتقال و مجموعه های داده محک استاندارد نیز صورت خواهد گرفت. بخش انتهایی این آموزش به بررسی برخی نمونه های استفاده از روش های یادگیری انتقال در حل مسائل کاربردی، اختصاص یافته است.

👤 مدرس: دکتر امیر حسین کیهانی پور
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

وضعیت انتشار در حال هماهنگی
زمان تقریبی انتشار ۶ تا ۱۴ هفته

درخواست اطلاع رسانی انتشار این آموزش

این آموزش در صف شروع ضبط است و به زودی در فرادرس ارائه عمومی آن آغاز خواهد شد. شما می توانید با وارد کردن ایمیل خود، در اولین زمان، از انتشار نهایی این آموزش مطلع شوید.

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.




    توضیحات

    یکی از پیش فرض های مهم در اغلب الگوریتم های یادگیری ماشین و داده کاوی، این است که مجموعه داده های آموزش و آزمون، بایستی در فضای ویژگی های کسانی قرار گرفته باشند و علاوه بر آن، از توزیع احتمالی مشابهی برخوردار باشند. با تغییر توزیع داده ها، اغلب الگوریتم های آماری بایستی مدل های قبلی را بر اساس مشخصات داده های جدید، باز تولید کنند. ضمن اینکه اصولاً در بسیاری از کاربردهای دنیای واقعی، جمع آوری داده های آموزش جدید و تولید مدل بر پایه آنها، یا بسیار دشوار و هزینه بر است یا به کلی غیر ممکن است. در چنین شرایطی، روش های یادگیری انتقال (Transfer Learning) یا انتقال دانش (Knowledge Transfer)، می توانند برای تبادل مدل های قبلی به دامنه های کاری جدید، مورد استفاده قرار گیرند.

    در این آموزش، ضمن بیان کلیات ساختار روش های انتقال یادگیری، یک طبقه بندی مرجع در بررسی تکنیک های مختلف یادگیری انتقال نیز معرفی خواهد شد. در ادامه بحث، مرور کاملی از کاربردهای یادگیری انتقال برای مسائل پایه ای نظیر رده بندی (Classification)، رگرسیون و خوشه بندی (Clustering) انجام خواهد شد. همچنین به منظور ایجاد امکان استفاده از این تکنیک ها، معرفی اجمالی در خصوص برخی از ابزارهای متن باز موجود در زمینه یادگیری انتقال و مجموعه های داده محک استاندارد نیز صورت خواهد گرفت. بخش انتهایی این آموزش به بررسی برخی نمونه های استفاده از روش های یادگیری انتقال در حل مسائل کاربردی، اختصاص یافته است.

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: کلیات و مفاهیم پایه در زمینه یادگیری انتقال
      • تعاریف، ضرورت ها و دامنه کاربرد
      • چارچوب کلی روش های یادگیری انتقال
    • درس دوم: بررسی روش های یادگیری انتقال
      • رویکردهای مختلف در فرایند یادگیری انتقال
        • یادگیری انتقال استنتاجی (Inductive Transfer Learning)
        • یادگیری انتقال خود آموخته (Self-taught)
        • یادگیری انتقال چند کاره (Multi-task)
        • یادگیری انتقال نیمه نظارتی (Semi-supervised Transfer Learning)
        • یادگیری انتقال ترا رسانی (Transductive)
        • یادگیری انتقال بین کاری (Cross-task)
        • یادگیری انتقال بدون نظارت (Unsupervised Transfer Learning)
      • روش های مختلف انجام فرایند یادگیری انتقال
        • انتقال نمونه (Instance transfer)
        • انتقال بازنمایی ویژگی ها (Feature Representation transfer)
        • انتقال پارامتر (Parameter transfer)
        • انتقال دانش رابطه ای (Relational knowledge transfer)
      • استفاده از فرایند یادگیری انتقال در مسأله یادگیری تقویتی
    • درس سوم: تحلیل یادگیری انتقال
      • محدودیت های یادگیری انتقال
      • انتقال منفی (Negative Transfer)
    • درس چهارم: معرفی برخی از کاربردهای یادگیری انتقال
    • تشخیص فعالیت (Activity Recognition)
    • رده بندی تصاویر (Image Classification)
    • درس پنجم: معرفی منابع اصلی جهت به کارگیری روش های یادگیری انتقال
      • ابزارهای متن باز
      • مجموعه های داده مطرح

     

    مفید برای رشته های
    • مهندسی کامپیوتر
    • فناوری اطلاعات


    اطلاعات تکمیلی

    نام آموزش آموزش یادگیری انتقال – پیش ثبت نام
    ناشر فرادرس
    کد آموزش FVML96061
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)



    سایر آموزش های دکتر امیر حسین کیهانی پور



    مطالب مرتبط


    دیدگاه ها

    نظر شما در مورد این فرادرس چیست؟

    امتیاز شما به این آموزش:

    *




درخواست اطلاع رسانی انتشار این آموزش

این آموزش در صف شروع ضبط است و به زودی در فرادرس ارائه عمومی آن آغاز خواهد شد. شما می توانید با وارد کردن ایمیل خود، در اولین زمان، از انتشار نهایی این آموزش مطلع شوید.

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.



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.


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 پرداخت آنلاین -  بانک ملت پرداخت آنلاین - بانک پارسیان پرداخت آنلاین - بانک اقتصاد نوین پرداخت آنلاین - بانک سامان