برنامه نویسی محصولات دانلودی

شبکه های عصبی مصنوعی: گام پنجم از یادگیری عمیق در پایتون

زهرا طباطبایی
نوشته شده توسط زهرا طباطبایی

به رشته یادگیری ماشین علاقه دارید؟ پس این دوره برای شما مناسب است!

این دوره طراحی شده است تا ما بتوانیم دانش خود را به اشتراک بگذاریم و به شما کمک کنیم تئوری پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی ساده بیاموزید. ما شما را قدم به قدم به دنیای یادگیری ماشین خواهیم برد. با استفاده از هر آموزش، مهارت های جدیدی پیدا خواهید کرد و درک خود را از این زیرشاخه چالش برانگیز و در عین حال سودآور علم داده بهبود خواهید بخشید. این دوره سرگرم کننده و هیجان انگیز است، اما در عین حال، ما عمیق به یادگیری ماشین می پردازیم. ساختار آن به روش زیر است:

قسمت ۱- رگرسیون: رگرسیون خطی ساده، رگرسیون خطی چندگانه، رگرسیون چند جمله ای، SVR، رگرسیون درخت تصمیم، رگرسیون تصادفی جنگل

قسمت ۲- طبقه بندی: رگرسیون لجستیک، K-NN ، SVM، هسته SVM، طبقه بندی درخت تصمیم، طبقه بندی تصادفی جنگل

قسمت ۴ و ۳ :

  • خوشه بندی: K-Means ، خوشه بندی سلسله مراتبی،
  • کاهش ابعاد: PCA ، LDA ، هسته PCA

قسمت ۵ – یادگیری عمیق: شبکه های عصبی مصنوعی، شبکه های عصبی کانولوشن

علاوه بر این، این دوره شامل تمرینات عملی است که بر اساس نمونه های واقعی ساخته شده است. بنابراین نه تنها تئوری را یاد خواهید گرفت، بلکه می توانید در ساخت مدل های خود تمرین عملی نیز انجام دهید.

بامبوی شما حالا ۳۰ متر ارتفاع داره 😊


مشخصات محصول

  • این آموزش بر مبنای سرفصل های ارائه شده پیرامون آموزش یادگیری ماشین در محیط پایتون در سایت یودمی (Udemy) می باشد.
  • با دانلود فایل آموزشی هر جلسه یک ویدئوی آموزشی و PDF مربوط به مباحث تئوری همان جلسه را دریافت می­ کنید.
  • در لینک Machine_Learning A:Z می­ توانید به تمامی کد­های آموزش داده شده در دوره دسترسی داشته باشید.

توضیحات محصول

اگر سیر تکاملی این دوره را دنبال کرده­ اید، شما مباحث زیر را به طور کامل فراگرفته ­اید:

  • یادگیری ماشین در پایتون
  • بسیاری از مدل­های یادگیری ماشین
  • چگونه پیش بینی دقیق داشته باشید
  • چگونه تجزیه و تحلیل قدرتمند انجام دهید
  • چگونه از یادگیری ماشینی برای اهداف شخصی خود استفاده کنید
  • چگونه از تکنیک های پیشرفته ای مانند کاهش ابعاد استفاده کنید
  • بدانید کدام مدل یادگیری ماشین را برای هر نوع مسئله انتخاب کنید
  • ارتشی از مدل های قدرتمند یادگیری ماشین بسازید و بدانید که چگونه آنها را برای حل هر مشکلی ترکیب کنید

نکته­ متمایز کننده این دوره این است که: در این آموزش تمامی مثال­ های کاربردی در جلسه ­های تئوری و کدنویسی در زمینه­ پردازش تصویر است تا به علاقمندان کاربرد­های مهم و موثر یادگیری عمیق را در پردازش تصویر آموزش دهد. به همین منظور ماژول­ های مختلفی در این حوزه به­ کار گرفته شده است و بخشی از آموزش به توضیحی مختصر و مفید در زمینه­ ی پردازش تصاویر و مفهوم تصویر می­ پردازد.

مطابق با تمامی دوره­ های پیشین، در هر جلسه مباحث به صورت تئوری آموزش داده می شوند و سپس با علم کامل از مباحث تئوری به سراغ کدنویسی در محیط پایتون خواهیم رفت. در بخش آموزش کد نویسی از کمک کتابخانه­ های پرکاربرد پایتون از جمله Numpy، Sklearn، Pandas و …. بهره گرفته ایم. از میان مجموعه­ وسیع کتابخانه­ ها در پایتون، سه کتابخانه­ ای که از محبوبیت بیشتری برخوردار هستند عبارتند از:

  1. Skitlearn (در آموزش­ های قبل فراگرفتیم)
  2. Tensorflow
  3. Keras

با توجه به آنچه در بالا ذکر شده است، نکته­ جالب توجه در این آموزش، یادگیری یکی دیگر از محبوب­ ترین کتابخانه ­های پایتون (Scipy) در علم یادگیری ماشین است.


عناوین آموزشی

جلسه اول:

  • یادگیری عمیق چیست؟
  • یادگیری ماشین چیست؟
  • شبکه­ ی عصبی چیست؟
  • بررسی تفاوت میان شبکه عصبی، یادگیری ماشین و یادگیری عمیق
  • ANN چیست؟
  • عملکرد ANN؟
  • چگونه ANN آموزش می ­بیند؟
  • انواع توابع فعال ساز
  • تعریف Gradient Descent
  • معرفی Stochastic Gradient Descent
  • مقایسه­ تفاوت های Stochastic Gradient Descent و Gradient Descent
  • عملکرد Backpropagation
  • آموزش ساخت یک شبکه ANN

جلسه دوم:

  • ساخت یک شبکه­ ANN در محیط پایتون به کمک ماژول ­های مربوطه :
  • Tensorflow
  • Keras
  • Panda
  • Numpy
  • و….

جلسه سوم:

  • CNN چیست؟
  • آشنایی با تصویر
  • چگونه یک تصویر را پردازش کنیم؟
  • معرفی انواع تصاویر:
  1. خاکستری
  2. رنگی
  3. چندبانده
  4. ابرطیفی (ماهواره­ ای)
  • بررسی مختصری از ویژگی­ های هر نوع از تصاویر و مقایسه­ آن­ها
  • عمکرد CNN
  • چگونه CNN آموزش می­بیند؟
  • عملکرد Conv در شبکه­ CNN
  • معرفی و بررسی لایه ی میانی (Relu)
  • Pooling چیست؟

جلسه چهارم:

  • Flatting چیست؟
  • Full connection در CNN چه نقشی دارد؟
  • چگونه می­توان شبکه­ ی CNN ساخت؟
  • کاربر­ها­ی CNN
  • Softmax & Cross-Entropy (به صورت مطالعه­ ی آزاد)

جلسه چهارم (تکمیلی):

  • تفسیر عملگر Conv
  • مرور کلی ساختار CNN
  • بررسی مثال طبقه­ بندی به کمک CNN
  • بررسی کاربرد CNN در پردازش تصویر به صورت مثال محور

جلسه پنجم:

  • آموزش ساخت یک شبکه­ ی CNN در محیط پایتون:
  1. آموزش CNN توسط مجموعه ­ای از تصاویر
  2. تست شبکه ­ی ساخته شده توسط نمونه­ های تصویری
  • بررسی میزان دقت عملکردی

جلسه ششم:

  • ساخت یک شبکه­ ی CNN عمیق:
  1. افزایش لایه ­های میانی
  2. بررسی اثر CNN در طبقه ­بندی تصاویر
  • بررسی دقت عملکردی CNN با افزایش تعداد لایه­ های میانی

معرفی آموزش:


معرفی نرم افزار:

همانطور که از نام دوره مشخص است، پایتون نرم افزار مورد استفاده در این آموزش می ­باشد. پایتون به دلیل سادگی در نگارش، سرعت بالا در پردازش، متن باز بودن، کتابخانه­ های دقیق و کاربردی و … به سرعت جایگاه ویژه­ای در میان محققین پیدا کرده است و این موضوع سبب شده تا این نرم افزار جز یکی از بهترین و پرکاربردترین نرم افزار­های حال حاضر دنیا در نظرگرفته شود.

*در بررسی­ هایی که اخیرا صورت گرفته است پایتون سومین نرم افزار کاربردی وپرطرفدار در میان مجموعه نرم افزارهای گوناگون از جمله MATLAB، PHP، R، Java و … قرار گرفته است.

رجوع شود به سایت زیر:

https://www.zdnet.com/google-amp/article/programming-language-rankings-r-makes-a-comeback-but-theres-debate-about-its-rise/

(برای کسب اطلاعات بیشتر در زمینه­ ی این نرم افزار به آموزش مقدماتی پایتون رجوع شود.)


تهیه آموزش:

به منظور خرید این محصول آموزشی بر روی گزینه زیر کلیک کرده و بلافاصله دانلود نمایید.


سایر بخش های یادگیری عمیق:


 

دیدگاهتان را بنویسید

اگر تمایل به تدریس و تولید آموزش و کسب درآمد دارید بر روی دکمه رو به رو کلیک کنید و فرم را پر کنیدلطفا کلیک کنید
+ +