دوره آموزش یادگیری عمیق با Tensorflow پایتون

# یادگیری عمیق (deep learning) چیست؟

یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که از شبکه های عصبی چند لایه به نام شبکه های عصبی عمیق(DNN) برای شبیه سازی قدرت تصمیم گیری پیچیده مغز انسان استفاده می کند. شبکه عصبی عمیق یک شبکه عصبی با سه لایه یا بیشتر است. در عمل، اکثر DNN ها دارای لایه های بسیار بیشتری هستند. DNN ها بر روی مقادیر زیادی از داده ها برای شناسایی و طبقه بندی پدیده ها، تشخیص الگوها و روابط، ارزیابی احتمالات، و پیش بینی و تصمیم گیری آموزش می بینند. در حالی که یک شبکه عصبی تک لایه می تواند پیش بینی ها و تصمیم گیری های مفید و تقریبی انجام دهد، لایه های اضافی در یک شبکه عصبی عمیق به پالایش و بهینه سازی آن نتایج برای دقت بیشتر کمک می کند.

 

# هدف دوره آموزش یادگیری عمیق پایتون چیست؟

این دوره یادگیری عمیق، شما را با نحوه استفاده از فریمورک تنسورفلو پایتون برای ایجاد و آموزش شبکه های عصبی عمیق آشنا میکند. هدف دوره دیپ لرنینگ پایتون، ایجاد یک تعادل بین مفاهیم تئوری و عملی است به طوری که دانشجو بتواند به سادگی الگوریتم ها را فهمیده و به روی داده های واقعی اعمال کند. در این دوره شما ابتدا با مفهوم شبکه عصبی آشنا شده و سپس به سراغ انواع آن مانند CNN و RNN خواهید رفت. شبکه های CNN به شبکه های عصبی گفته میشود که به طور خاص برای کار با داده های گرافیکی مانند تصاویر ساخته شده و RNN نیز به شبکه های عصبی گفته میشود که فقط به روی داده های زبان طبیعی تمرکز دارند. در این دوره به شکل گسترده ای با keras نیز کار خواهید کرد. keras یک پلتفرم سطح بالا است که به روی تنسورفلو ساخته شده و هدف آن سادگی استفاده از tensorflow است.

 

# کتابخانه تنسورفلو (Tensorflow) پایتون چیست؟

کتابخانه تنسورفلو یک نرم افزار منبع باز و رایگان است که برای یادگیری ماشن و هوش مصنوعی استفاده میشود. از تنسورفلو میتوان برای اهداف متفاوتی استفاده کرد اما تمرکز اصلی آن یادگیری عمیق است. تنسورفلو ابتدا توسط تیم Google Brain برای مصرف داخلی شرکت گوگل توسعه پیدا کرد اما در سال 2015 اولین نسخه از آن به شکل عمومی منتشر شد. گوگل در سال 2019 نسخه دوم tensorflow را با کارکردی بسیار ساده تر آپدیت کرد. از TensorFlow می توان برای توسعه مدل هایی برای کارهای مختلف از جمله پردازش زبان طبیعی، تشخیص تصویر، تشخیص دست خط و شبیه سازی های مختلف مبتنی بر محاسبات مانند معادلات دیفرانسیل جزئی استفاده کرد.

 

# پیش نیازهای دوره آموزش یادگیری عمیق پایتون

در دوره آموزش یادگیری عمیق پایتون شما با مفاهیم پیشرفته هوش مصنوعی کار خواهید کرد. دانشجو این دوره بهتر است با مفاهیم ریاضی آشنا باشد،‌ اگر با مفاهیم ریاضی و آمار آشنا نیستید میتوانید دوره ریاضیات هوش مصنوعی را ببینید. همچنین برای درک بهتر مفاهیم پایه ای میتوانید دوره یادگیری ماشین را ببینید.



0

intro

3:34

رایگان

1

tensorflow

17:51

رایگان

2

graph

16:38

رایگان

3

neural networks

17:24

4

gradient

16:58

5

regression

14:57

6

normalization

22:32

7

bias

14:45

8

classification

20:55

9

computer vision

33:11

10

summary

13:28

11

CNN

16:17

12

conv2d

14:47

13

nlp

11:3

14

tokenization

19:54

15

bag of words

13:16

16

word embedding

20:40

17

RNN

13:15

18

LSTM

10:5

20

bidirectional

9:40

21

hub

14:45

23

hypertuning

28:5

24

done

3:43

دوره های پیشنهادی

دوره آموزش شل اسکریپت نویسی(shell scripting)
دوره آموزش شل اسکریپت نویسی(shell scripting)
تکمیل ضبط
امیرحسین بیگدلو
دوره آموزش طراحی پایگاه داده(database)
دوره آموزش طراحی پایگاه داده(database)
تکمیل ضبط
امیرحسین بیگدلو
دوره آموزش DRF جنگو
دوره آموزش DRF جنگو
تکمیل ضبط
امیرحسین بیگدلو



مونگارد