دوره‌ مستقلمحتوای آفلاین

یادگیری عمیق

مدرس وحید محمدزاده
آخرین بروزرسانی ۸ دی ۱۴۰۴
۰ دیدگاه

در طی این کورس، با فلسفه وجودی شبکه های عصبی عمیق آشنا می شویم و قدم به قدم در کنار نقاط ضعف و قوت آنها، با راهکارهای مختلفی که در قالب معماری های متنوع شبکه عصبی عمیق برای حل مسائل مختلف گسترش یافته اند آشنا می شویم. پیاده سازی معماری های رایج و شناخته شده RNN و LSTM در کنار انواع معماری های CNN را با استفاده از کتابخانه Keras پایتون تمرین می کنیم و پروژه های مهمی همچون مساله تحلیل احساسات در حوزه پردازش زبان های طبیعی (NLP) و مساله تشخیص اشیا (Object Detection) در خودروهای خودران که در حوزه بینایی ماشین (Computer Vision) است حل می کنیم.

دوره غیرحضوری یادگیری عمیق چطور برگزار می شود؟

محتوای ویدئویی: در دوره غیرحضوری، تمامی محتوا و متریال آموزشی (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

سرویس منتورینگ: اما ویدئوها فقط بخشی از محتوا هستند. مجموعه دایکه به ازای محتوای ارائه شده در هر هفته، یک جلسه آنلاین دو ساعته، نیز در قالب سرویس منتورینگ برای شما در نظر می گیرد که عموما در یکی از روزهای شنبه تا چهارشنبه و خارج از تایم اداری تنظیم می شود. شما می توانید پس از مشاهده ویدئوی کلاس، هرگونه سوال و ابهام خود را در سرویس منتورینگ با مدرس آن دوره مطرح کرده و بصورت مستقیم با مدرس تعامل داشته باشید.

ضمن اینکه مدرسین هم می توانند در قالب این سرویس، از وضعیت مخاطبین غیرحضوری مطلع شده و تسک ها و تمرینهای ارائه شده را پیگیری کنند.

گروه پشتیبانی تلگرامی: برای هر دوره از مسیرهای درحال اجرا گروه تلگرامی خواهیم داشت که تمام شرکت کنندگان دوره های غیرحضوری در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای مسیر، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان غیرحضوری گواهینامه ارائه می شود؟

گواهینامه ارائه شده به زبان انگلیسی بوده و قابلیت استعلام آنلاین و اشترک گذاری در شبکه های اجتماعی دارد.

 

دوره آفلاین یادگیری عمیق چطور برگزار می شود؟

محتوای ویدئویی: در دوره آفلاین، تمامی محتوا و متریال آموزشی ارائه شده (اعم از صدا و تصویر مدرس، صفحه دسکتاپ مدرس و مباحثی که روی تخته ارائه می شود)، بصورت فیلم استدیویی ضبط و تدوین شده و در اختیار متقاضیان قرار میگیرد.

گروه پشتیبانی تلگرامی: تمام شرکت کنندگان دوره های آفلاین در این گروه عضو خواهند شد. به اشتراک گذاری منابع و اطلاعات مرتبط با محتوای دوره ها، طرح سوالات و اشکالات فردی و مباحثه بر روی اونها رو می توانید در این گروه پشتیبان داشته باشید. ضمن اینکه مدرسین دوره ها هم در این گروه هستند و در حد ممکن پاسخگو خواهند بود.

آیا در پایان دوره به شرکت کنندگان آفلاین گواهینامه ارائه می شود؟

دوره های آفلاین، شامل صدور گواهینامه نمی شوند.

هفته اول
مقدمه و مفاهیم اولیه
۲:۳۵:۲۱
مقدمه ای بر یادگیری عمیق
۲۱:۲۱
مروری بر شبکه های عصبی
۳۸:۴۹
فلسفه مدل های عمیق و کاربردهای آن
۲۳:۰۸
معرفی فریمورک Keras
۴۹:۵۴
پیاده سازی شبکه های عصبی RBF, Rough و انعطاف پذیر در Keras
۲۲:۰۹
هفته دوم
یادگیری بازنمایی – بخش اول
۱:۴۴:۴۷
مقدمه ای بر یادگیری بازنمایی
۳۱:۳۲
مروری بر مدل های احتمالی گرافیکی PGM
۱۳:۲۹
اتو انکودر ها
۳۳:۱۷
پیاده سازی اتو انکودر ها در پایتون
۲۶:۲۹
یادگیری بازنمایی – بخش دوم
۱:۰۱:۱۵
Regularized Auto-Encoders
۲۸:۵۶
Denoising Auto-Encoders in Python
۱۱:۰۸
Sparse Auto-Encoders in Python
۲۱:۱۱
هفته سوم
شبکه های RNN – بخش اول
۱:۴۰:۲۷
مقدمه ای بر RNN
۱۷:۱۰
فرموله کردن مساله
۲۵:۴۳
معماری های مختلف RNN
۳۳:۰۷
Back Propagation در گذر زمان
۲۴:۲۷
شبکه های RNN – بخش دوم
۱:۱۲:۵۷
محوشدگی گرادیان در شبکه های RNN
۲۳:۰۳
شبکه های عصبی بازگشتی با معماری LSTM
۲۱:۵۳
پیاده سازی شبکه های RNN در پایتون
۲۸:۰۱
هفته چهارم
شبکه های CNN – بخش اول
۱:۲۵:۱۳
مقدمه ای بر شبکه های CNN
۳۳:۳۷
چالش های موجود
۱۵:۱۱
روش اسکن کردن
۲۲:۱۶
خواص عملگر کانولوشن
۱۴:۰۹
شبکه های CNN – بخش دوم
۱:۰۶:۱۵
عملگرهای پولینگ و پدینگ
۲۳:۱۵
مباحث تکمیلی CNN
۲۹:۲۶
پیاده سازی CNN بر روی دیتاست MNIST
۱۳:۳۴
هفته پنجم
یادگیری انتقال Transfer Learning
۲:۰۰:۰۵
مقدمه ای بر Transfer Learning
۳۴:۰۶
تعریف ریاضی Transfer Learning
۱۸:۲۲
رویکردهای مختلف Transfer Learning
۱۴:۲۸
پیاده سازی یادگیری انتقال با Keras
۵۳:۰۹
هفته ششم
کاربرد یادگیری عمیق در بینایی ماشین
۱:۴۱:۴۵
مقدمه ای بر بینایی ماشین
۲۴:۲۴
تشخیص اشیاء Object Detection
۳۱:۲۷
مثال کاربردی بینایی ماشین در خودروهای خودران
۴۵:۵۴
کاربرد یادگیری عمیق در پردازش زبان طبیعی
۱:۲۴:۲۱
مقدمه ای بر پردازش زبان طبیعی NLP
۲۳:۲۰
تعبیه سازی کلمات یا Word Embedding
۳۰:۲۳
کاربردهای NLP
۰۶:۴۳
مثال کاربردی NLP در تحلیل احساسات
۲۳:۵۵
دکتر وحید محمدزاده

دیتاساینتیست در دایکه و شرکت ولوو سوئد
دکترای برق گرایش کنترل . فارغ‌التحصیل از دانشگاه خواجه نصیر

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می‌نویسد.

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

گزینه‌های ثبت‌نام

یادگیری عمیق

در حال ثبت نام

در حال ثبت نام

  • *انتخاب روش برگزاری کلاس

ویژگی

2
پیش‌نیاز
درخواست مشاوره رایگان ×

    Call Center
    سبد خرید شما
    هیچ محصولی در سبد خرید نیست.

    ورود به حساب کاربری

    ایجاد حساب کاربری