آموزش Deep Learning

توضیحات

آموزش Deep Learning

آموزش Deep Learning (یادگیری عمیق) زیر مجموعه‌ای از یادگیری ماشینی و شاخه‌ای از هوش مصنوعی بوده که هدف آن آموزش ماشین‌ها به وسیله داده‌ها بدون برنامه‌ریزی مستقیم است. دیپ لرنینگ نوعی شبکه عصبی از چندین لایه نورون مصنوعی است که با استفاده از مجموعه داده‌های بزرگ آموزش داده خواهد شد. این لایه‌ها به مدل‌های یادگیری عمیق اجازه داده تا داده‌های پیچیده را بیاموزند و پیش‌بینی‌های دقیق انجام دهند.

پیش نیاز دوره Deep Learning

• برنامه نویسی پایتون
• تحلیل داده و یادگیری ماشین

سرفصل آموزش Deep Learning

مروری بر یادگیری ماشین و شبکه های عصبی

1. مروری بر انواع توابع آتش
2. مروری بر نحوه محاسبه گرادیان و انواع توابع خطا
3. مروری بر روال کلی backpropagation
4. مروری بر روال های دسته بندی و رگرسیون
5. مروری بر روال آموزش شبکه های عصبی در تنسورفلو و کراس

انواع Optimizationها در محاسبه گرادیان شبکه های عصبی

1. آپدیت وزن شبکه از طریق Random search
2. بررسی روش های ساده محاسبه گرادیان:
   • گرادیان چیست
   • Gradient Descent
   • Mini-batch Gradient Descent
   • Stochastic Gradient
   • Stochastic Gradient Descent
3. بررسی مفهوم Moving Average
   • Momentum
   • Nesterov Momentum
4. محاسبه گرادیان از طریق AdaGrad
5. محاسبه گرادیان از طریق RMSProp
6. محاسبه گرادیان از طریق Adam

مقدمات شبکه های عصبی عمیق

1. Data preprocessing
   • مروری بر PCA و روش های کاهش بعد
2. Weight Initialization
   • Random
   • Xavier
   • HE
3. Batch Normalization
4. Hyperparameter Optimization
   • بررسی روال تغییرات learning rate
   • Monitor and visualize the accuracy
   • Monitor and visualize the loss
5. Regularization
   • L1 / L2 regularization
   • Dropout
6. Data Augmentation

شبکه های عمیق پیچشی Convolutional Neural Network

1. بیان ساختار کلی شبکه های عصبی پیچشی
2. معرفی لایه های مختلف شبکه های CNN
   • لایه Fully connected
   • لایه Convolutional
   • لایه Polling
   • لایه Softmax
3. آشنایی با مفاهیم dim و Stride و padding
4. معرفی معماری های مختلف شبکه های CNN
   • Alexnet
   • VGG
   • GoogleNet
   • ResNet
5. پیاده سازی شبکه های عصبی پیچشی با KERAS
6. پیاده سازی شبکه های عصبی پیچشی با PyTorch

معماری یادگیری انتقالی Transfer Learning

1. معرفی رویکرد یادگیری انتقالی و کاربرد آن در CNN

شبکه های عمیق بازگشتی Recurrent Neural Network

1. مقدماتی بر شبکه های بازگشتی
   • بیان ساختار سلول شبکه های بازگشتی
   • معرفی انواع مختلف شبکه های بازگشتی
   • محو شدگی و انفجار گرادیان‌ها در شبکه‌های بازگشتی
2. معرفی شبکه بازگشتی LSTM
3. معرفی شبکه بازگشتی GRU
4. معرفی شبکه های بازگشتی دو طرفه

معماری ترتیب به ترتیب Seq2Seq

1. معرفی معماری ترتیب به ترتیب و کاربرد آن در RNN

تبدیل شونده ها Transformers

1. معرفی رویکرد Transformers
2. معرفی لایه ی Attentions
3. معرفی مدل BERT

شبکه های عمیق Variation Autoencoders

1. مقدماتی بر یادگیری با ناظر و بدون ناظر
2. معرفی شبکه های Generative
3. معرفی شبکه های Auto Encoder
4. معرفی Variational Auto Encoder

شبکه های عمیق Generative Adversarial Networks

1. مقدماتی بر شبکه های عصبی Gan
2. معرفی شبکه های Deep Convolutional GAN
3. معرفی شبکه های Semisupervised GAN
4. معرفی شبکه های Conditional GAN
5. معرفی شبکه های Cycle GAN

تلفن مشاوره 01334310000 داخلی 107