دوره جامع شبکه‌های عصبی و یادگیری عمیق

دوره آموزشی
81
36 ساعت

دوره جامع «شبکه‌های عصبی عمیق با پایتون» یک مسیر آموزشی کاربردی و به‌روز است که شرکت‌کنندگان را از مفاهیم پایه تا طراحی و استقرار مدل‌های پیچیده یادگیری عمیق همراهی می‌کند.

این دوره با ترکیب ارائه روشن و ملموس روش‌ها و مفاهیم، تمرین‌های عملی منظم و پروژه‌های کاربردی طراحی شده است. در نتیجه شرکت‌کنندگان تنها به یادگیری نظری مفاهیم اکتفا نمی‌کنند؛ بلکه آن‌‌ها را با کدنویسی پیاده می‌کنند، با پردازش داده‌های واقعی به کار می‌گیرند. در پایان پروژه‌هایی قابل‌ارائه دارند که نشان‌دهنده میزان تسلط آن‌ها بر روش‌ها و مفاهیم و مهارت عملی آن‌هاست.

در هر جلسه مفاهیم و روش‌های ارائه شده به‌صورت گام‌به‌گام با استفاده از کتابخانه‌های پایتون مانند با PyTorch ، NumPy و … به کار گرفته می‌شوند. تمرین‌ها و مثال‌ها مبتنی بر داده‌های واقعی انتخاب شده‌اند تا شرکت‌کنندگان نحوه کاربرد نظریه در مسائل عملی را بیاموزند و با ظرائف و پیچیدگی‌های آن هنگام در کاربرد آشنا شوند.

دوره از مبانی ریاضی و معماری‌های ساده شبکه‌ای آغاز می‌شود و به‌صورت پیوسته به سمت موضوعات پیشرفته‌تری مانند شبکه‌های کانولوشنی، شبکه‌های بازگشتی، مکانیزم توجه، ترنسفورمرها، مدل‌های مولد و در نهایت شبکه‌های گراف می‌رود. این ترتیبِ پیوسته و مرحله به مرحله سبب می‌شود شرکت‌کنندگان هم فهم عمیق مفهومی داشته باشند و هم بتوانند مدل‌های کاربردی را طراحی، پیاده‌سازی و برای پروژه‌های حرفه‌ای یا پژوهشی آماده کنند.

اهداف

  • آشنایی با مفاهیم بنیادین یادگیری ماشین و شبکه‌های عصبی
  • یادگیری نحوه‌ی پیاده‌سازی شبکه‌های عصبی با پایتون و PyTorch
  • درک عمیق از نحوه‌ی کارکرد لایه‌ها، توابع فعال‌سازی، و بهینه‌سازی مدل‌ها
  • توانایی طراحی و آموزش شبکه‌های کانولوشن برای تحلیل داده‌های تصویری
  • شناخت و پیاده‌سازی شبکه‌های بازگشتی برای داده‌های ترتیبی و سری‌های زمانی
  • درک مفهوم Embedding و کاربرد آن در داده‌های متنی
  • آشنایی با سازوکار توجه و مدل‌های زبانی بزرگ (LLMs)
  • یادگیری ساخت مدل‌های مولد
  • آشنایی با شبکه‌های عصبی گراف برای داده‌های ساختارمند
  • اجرای یک پروژه‌ی عملی برای جمع‌بندی و تثبیت مهارت‌ها

فهرست:

51 درس36h

مروری بر یادگیری ماشین و معرفی و آشنایی با شبکه‌های عصبی

معرفی دوره00:14:38
مروری بر یادگیری ماشین1:09:19
مروری بر شبکه‌های عصبی1:37:00

مقدمات ریاضی مورد نیاز

بایاس، واریانس

آشنایی با کتابخانه‌های NumPy و PyTorch

شبکه‌های عصبی پیچشی (Convolutional NN)

شبکه‌های عصبی پیجشی دو بعدی (2D Convolution)

مروری بر مطالب پیشین

بردارسازی و جاسازی کلمات

شبکه‌های عصبی بازگشتی (Recurrent NN)

ترنسفورمرها و مکانیزم توجه

شبکه‌های عصبی عمیق و مدل‌‌های زبانی بزرگ

شبکه عصبی گراف

آشنایی با Huggingface

معرفی Deep Agents

پروژه پایانی

ارسال رزومه

شرکت در نظرسنجی

سعید مجیدی فارغ التحصیل دکتری علوم کامپیوتر از دانشگاه تافتس آمریکا است و همکاری‌های متعددی به عنوان مدرس و دیتاساینتیست ارشد با مجموعه دقیقه انجام داده است.

4.48 (21 نظر)

17 دوره ها

4499 دانشجو

پژوهشگر یادگیری ماشین

5.00 (1 نظر)

2 دوره ها

0 دانشجو

بهنام بهین‌آئین

Data Science Fellow at Insight Data Science

پژوهشگر و متخصص داده‌کاوی و یادگیری ماشین در شرکت Insight Data Science، دکترای مهندسی برق و کامپیوتر از دانشگاه کویینز کانادا

 

0 (0 نظر)

1 دوره ها

0 دانشجو

کاوه مهدویانی

Applied Scientist, Amazon

پژوهشگر و متخصص یادگیری ماشین در شرکت آمازون، استادیار سابق گروه علوم کامپیوتر در دانشگاه تورنتو کانادا، سابقه همکاری با Bell Labs در آلمان و دانشگاه آلبرتا، دکترای مهندسی برق و کامپیوتر از دانشگاه تورنتو

 

0 (0 نظر)

1 دوره ها

0 دانشجو

نظرات

12 میلیون و 500 هزار تومان

داده‌ها

  • ویدئوی آموزی
  • درسنامه‌ها
  • تمرین و پروژه

پیش‌نیاز

  • آشنایی و تجربه کار با پایتون
  • آشنایی با مبانی یادگیری ماشین
  • آشنایی و تجربه کار با کتابخانه‌ numpy
  • آشنایی اولیه با کتابخانه scikit-learn

مخاطبین

  • دانشجویان
  • پژوهشگران
  • تحلیلگران داده
  • مهندسین یادگیری ماشین
  • متخصصین علوم داده
  • مهندسین داده
  • برنامه‌نویسان و توسعه‌دهندگان نرم‌افزار
  • سایر علاقه‌مندان هوش مصنوعی و یادگیری عمیق
Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors