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
- قیمت: ۱۱۰ هزار تومان
- مدرس: زهرا طباطبایی
- تخصص: پردازش تصاویر دیجیتال با کمک الگوریتم های یادگیری ماشین (تصاویر ابرطیفی)
- موضوع: گام پنجم از یادگیری عمیق در پایتون: شبکه های عصبی مصنوعی
- نرم افزار: پایتون
- مخاطب: تمامی رشته ها (برق – کامپیوتر – معماری – عمران – مکانیک – فیزیک و …)
- نوع آموزش: ویدیویی
- داده های تمرینی: دارد
- طول مدت دوره: ۴ ساعت
- پیش نیاز: دارد: (پایتون مقدماتی، رگرسیون در پایتون، طبقه بندی در پایتون، خوشه بندی و کاهش ویژگی در پایتون – پردازش تصویر برمبنای کتاب گنزالس)
- 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:
- Skitlearn (در آموزش های قبل فراگرفتیم)
- Tensorflow
- 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:
- خاکستری
- رنگی
- چندبانده
- 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:
- آموزش CNN توسط مجموعه ای از تصاویر
- تست شبکه ی ساخته شده توسط نمونه های تصویری
- بررسی میزان دقت عملکردی
جلسه ششم:
- ساخت یک شبکه ی CNN عمیق:
- افزایش لایه های میانی
- 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:
(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:
- رگرسیون: گام اول Deep Learning یا یادگیری عمیق در پایتون
- طبقه بندی: گام دوم Deep Learning یا یادگیری عمیق در پایتون
- خوشه بندی و کاهش ویژگی: گام سوم و چهارم از یادگیری عمیق در پایتون
با سلام در قسمت دوم این package که پیاده سازی شبکه هست استاد می فرمایند از همون template های classification که قبلا گفتن استفاده شده . الان رفرنس این template کجا هست؟
با سلام و وقت بخیر
با توجه به اینکه پیش نیاز این دوره، آموزش طبقه بندی در پایتون است.. تمپلیت ها در آن دوره اموزش داده شده اند.
اما بخشی از آن مبحث که مربوط به این آموزش است را در طول دوره توصیح داده ام.
با احترام
طباطبایی