آموزش یادگیری عمیق Deep Learning 

یادگیری عمیق

اطلاعات بیشتر​

قطعاً خواسته یا ناخواسته تا به امروز با تکنولوژی‌هایی که به واسطه آموزش یادگیری عمیق خلق شده‌اند برخورد داشته‌اید. بسیاری از پیشرفت‌های اخیر در هوش مصنوعی با Deep Learning امکان‌پذیر شده است و کاربردهای آن از سطح یادگیری در یک کامپیوتر معمولی فراتر رفته و تقریبا در تمام صنایع از ماشین سازی تا تجهیزات پزشکی مورد استفاده قرار می‌گیرد.

از ساده‌ترین تجربه یک خرید آنلاین که سایت محصولات مرتبط را بر اساس رفتار و سابقه‌تان به شما پیشنهاد می‌دهد، از توصیه‌های مربوط به سرویس‌های استریم، فناوری‌های دستیار صوتی، خودروهای خودران تا تحقیقات پزشکی پیچیده که محققان سرطان شناسی از یادگیری عمیق برای شناسایی خودکار سلول‌های سرطانی استفاده می‌کنند، همه و همه به واسطه آن خلق و میسر شده‌اند.

دیپ لرنینگ

یادگیری عمیق Deep Learning چیست؟

دیپ لرنینگ از آن دسته تکنولوژی‌هایی است که کاربردهای آن به چند مورد محدود خلاصه نمی‌شود. در واقع Deep Learning بر اساس شبکه‌های عصبی مصنوعی رفتار مغز را در هنگام یادگیری مجموعه‌ای از نمونه‌ها تقلید می‌کند و می‌توان به نوعی گفت که هر چیزی که انسان بتواند بیاموزد را ماشین با قدرت حافظه و پردازش بالاتر می‌تواند یاد بگیرد. پس به هیچ عنوان محدودیتی در کاربردهای آن وجود ندارد اما برای مثال می‌توان به چند مورد از کاربردهای یادگیری عمیق اشاره کرد:

  • رانندگی خودکار: محققان خودرو از دیپ لرنینگ برای شناسایی خودکار اشیائی از جمله: علائم توقف و چراغ راهنمایی استفاده می‌کنند. علاوه بر این، یادگیری عمیق برای تشخیص عابران پیاده بسیار مفید است که در نتیجه به کاهش تصادفات کمک می‌کند.
  • دفاع و هوافضا: یادگیری ماشین برای افراد فعال در هوافضا و دفاع نیز کاربرد دارد و در شناسایی مناطق امن یا ناامن به نیروهای نظامی کمک می‌کند.
  • تحقیقات پزشکی: محققان سرطان شناسی از یادگیری عمیق برای شناسایی خودکار سلول‌های سرطانی استفاده می‌کنند. در مطلب کاربردهای داده کاوی در پزشکی به درک بیشتری از کاربردهای آن خواهید رسید.
  • اتوماسیون صنعتی: Deep learning زمانی که افراد یا اشیا در فاصله ناامن از ماشین‌آلات قرار دارند، با تشخیص خودکار به ایمنی کارگران کمک می‌کند.
  • الکترونیک: دیپ لرنینگ در ترجمه خودکار شنوایی و گفتاری استفاده می‌شود.

انواع الگوریتم دیپ لرنینگ:

یادگیری عمیق زیر شاخه‌ای از یادگیری ماشین بر مبنای مجموعه‌ای از الگوریتم‌ها است که سعی در مدل‌سازی مفاهیم انتزاعی دارد. در دیپ لرنینگ سعی می‌کنیم فعالیت ماشین‌ها و سیستم‌های کامپیوتری را بر اساس شبیه‌سازی سیستم عصبی انسان برنامه‌ریزی نماییم. بر این اساس می‌توان یادگیری عمیق را مدلی در نظر گرفت که بر اساس سیستم عصبی انسان شبیه‌سازی می‌شود. 

الگوریتم‌های شبکه عصبی در Deep Learning به طور گسترده به چهار بخش تقسیم می‌شوند که شامل موارد زیر می‌باشد:

  • الگوریتم یادگیری عمیق نظارت شده:

    الگوریتم‌های یادگیری نظارت شده سعی می‌کنند تا روابط و وابستگی‌های بین خروجی پیش‌بینی شده مورد نظر و ویژگی‌های ورودی را الگوبرداری کنند تا در نتیجه، مقادیر خروجی داده‌ای جدید را بر اساس روابط به دست آمده از مجموعه داده‌های قبلی پیش‌بینی کنند.

  • الگوریتم دیپ لرنینگ بدون نظارت:

    الگوریتم‌های یادگیری بدون نظارت سعی می‌کنند تا با استفاده از روش‌هایی بر روی داده‌های ورودی، الگوها را خلاصه و گروه‌بندی کنند. 

  • الگوریتم دیپ لرنینگ نیمه نظارتی:

    این الگوریتم بین دو حالت قبلی قرار می‌گیرد. در یادگیری ماشین، برچسب‌گذاری داده‌ها، به فرآیند شناسایی داده‌های خام و افزودن یک یا چند برچسب معنادار و یا آموزنده جهت ارائه اطلاعات در مورد آن اشاره دارد.

  • الگوریتم دیپ لرنینگ تقویتی:

این الگوریتم به نحوه انجام اقدامات نرم افزاری در یک محیط می‌پردازد. این الگوریتم خود را بر اساس آزمون و خطا در تصمیم‌گیری، آموزش می‌دهد.

این دوره برای چه افرادی مناسب خواهد بود؟

  • علاقمندان به حوزه علوم داده، یادگیری ماشین و داده‌کاوی
  • علاقمندان به تجزیه و تحلیل داده‌ها 
  • برنامه نویسان و توسعه دهندگان 
  • فارغ التحصیلان و دانشجویان رشته‌های کامپیوتر و فناوری اطلاعات


مسیر یادگیری
دوره آموزشی یادگیری عمیق در جهاد دانشگاهی صنعتی شریف:

آشنایی با مفاهیم برنامه نویسی پایتون اولین قدم برای ورود به دنیای یادگیری ماشین است و یکی از پیش‌نیازهای این دوره آموزشی به شمار می‌آید .در این دوره آموزشی به تدریج با مباحث و اصول یادگیری عمیق از جمله: مبانی و مفاهیم شبکه‌های عصبی عمیق، شبکه‌های عصبی کانولوشنی، شبکه‌های عصبی برگشتی و… آشنا می‌شوید.

پس از این دوره می‌توانید در سایر دوره‌های گروه آموزشی علوم داده جهاد دانشگاهی صنعتی شریف مانند آموزش ماشین لرنینگ، دوره مهندس داده، دوره دانشمند داده و … شرکت کنید و یک پله بالاتر از تخصص آموزش ببینید.

سرفصل‌های آموزشی​ دوره یادگیری عمیق

سوالات متداول​

  • نحوه اجرا در گوگل کولب
  • پیاده سازی KNN در پایتون
  • استفاده و لود تصویر در پایتون به عنوان داده
  • آشنایی و پردازش داده های ارقام دست نویس فارسی
  • طبقه بندی ارقام دست نویس فارسی  
  • پرسپترون (یک نورون) چیست                         
  • شبکه عصبی: استفاده از چندین نورون و لزوم تابع فعالیت
  • Softmax
  • تابع هزینه                         
  • یادگیری در شبکه های عصبی: گرادیان کاهشی و پس انتشار خطا                         
  • نرخ یادگیری                         
  • پیاده سازی در tensorflow/Keras  
  • الگوریتم های گرادیان کاهشی: stochastic، batch و mini-batch                         
  • کد کامل پایتون                         
  • Dropout           
  • نرمال‌سازی دسته‌ای (Batch norm)            
  • مقدمه شبکه های عصبی کانولوشنالی  
  • چالش  Imagenet                                   
  • لزوم سلسله مراتب در شبکه های عصبی                         
  • کانولوشن و فیلترها                         
  • ویژگی‌های مکانی فضایی و سلسله مراتب در شبکه‌های عصبی کانولوشنی (CNNs)  
  • padding در کانولوشن                             
  • مفهوم Stride در کانولوشن  
  • کانولوشن روی عکس رنگی                         
  • ادغام (Pooling)                         
  • معماری Lenet-5                                    
  • محاسبه تعداد پارامترها در یک لایه کانولوشن                         
  • پیاده سازی یک شبکه عصبی کانولوشنالی در پایتون                         
  • ادغام میانگین سراسری (GAP)
  • طبقه‌بندی باینری و چند کلاسه
  • دانلود از Kaggle در محیط Google Colab                         
  • داده‌افزایی
  • لود کردن اطلاعات از هارد Tensorflow     
  • الکس نت
  • ZFNet
  • VGG
  • درک کانولوشن 1 در 1
  • Inception
  • ResNet
  • مدل های از پیش آموزش دیده در keras application
  • بازشناسی اشیاء با وبکم
  • انتقال یادگیری (ترنسفر لرنینگ)
  • تنظیم دقیق (Fine-tuning)
  • مقدمه رگرسیون
  • مثال رگرسیون: تخمین قیمت خانه
  • تخمین میزان مصرف سوخت ماشین           
  • Functional API در کراس          
  • تخمین قیمت خانه با ویژگی های بصری
  • استفاده از دو نوع داده ورودی (ساختار یافته و بصری) در یک شبکه عصبی
  • بازشناسی و تعیین محل اشیاء (localization)
  • پیش پردازشها در متن
  • Bag-of-embedding
  • Ngrams
  • سری های زمانی
  • RNN
  • LSTM
  • GRU
  • Transformer
  • سیستم توصیه گر مبتنی بر embedding

این دوره بصورت آنلاین و در بستر ادوبی کانکت Adobe connect برگزار می‌شود.

پس از گذراندن دوره و در صورت کسب نمره قبولی در آزمون‌ها و پروژه‌ها به فراگیران گواهینامه ارائه می‌شود.

دوره‌هایی که هزینه آن‌ها بالای 3 میلیون تومان است شرایط پرداخت اقساط دارند. برای اطلاع از نحوه پرداخت اقساط با کارشناس گروه آموزشی مربوطه هماهنگی‌های لازم را انجام دهید.

برای شرکت در این دوره باید با برنامه نویسی پایتون آشنایی داشت.

جهت آشنایی با نحوه ترجمه مدارک جهاد دانشگاهی صنعتی شریف به این لینک مراجعه کنید.

نظرسنجی​

38 دیدگاه

دیدگاهتان را بنویسید

مشاوره و ثبت‌نام:

Close No menu locations found.