آموزش هوش مصنوعی – یادگیری عمیق مقدماتی: چند لایه پرسپترونی و کانولوشنالی

یادگیری عمیق (Deep Learning) زیر مجموعه ای از هوش مصنوعی (Artificial Intelligence) است که در سالهای اخیر پیشرفت های  بسیار زیادی در شبیه سازی توانایی های انسان در ماشین  داشته است. یادگیری عمیق در زمینه های مختلفی مانند پزشکی، بورس، علوم مهندسی، بینایی ماشین، پردازش گفتار، رباتیک، داده کاوی کاربرد دارد. شبکه های عصبی چند لایه پرسپترونی و کانولوشنالی از مبحث یادگیری عمیق موجود در این آموزش می باشند.

در این محصول به معرفی مفاهیم اولیه در شبکه های عصبی چند لایه پرسپترونی و کانولوشنالی یا پیچشی (Convolutional Neural Network) و تشریح مراحل و فرآیندهای  پنهان درون کار(شامل الگوریتم ها، توابع و محاسبه تعداد پارامترها و سایز هر لایه و غیره) و نهایتاً با استفاده از دیتاست هایی در محیط پایتون و کتابخانه Keras تحت بستر Tensorflow به معماری شبکه و استخراج خروجی های موردنظر پرداخته شده است.

مشخصات:

• قیمت: 300 هزار تومان
• مدرس: فریده سبزه ای
• تخصص: دانشجوی دکتری مهندسی عمران – ژئودزی
• موضوع: آموزش هوش مصنوعی – یادگیری عمیق مقدماتی: چند لایه پرسپترونی و کانولوشنالی
• زبان برنامه نویسی: پایتون
• مخاطب: علاقه مندان به هوش مصنوعی و یادگیری عمیق (مقدماتی)
• نوع آموزش: ویدیویی
• مدت زمان آموزش: 5 ساعت و نیم
• داده های تمرینی:‌ ندارد (از دیتاهای قابل دانلود Mnist و Cifar-10  استفاده شده اند)
• پیش نیاز: آشنایی مقدماتی با  پایتون

تهیه آموزش

به منظور تهیه این محصول آموزشی بر روی دکمه زیر ? کلیک کرده و بلافاصله پس از پرداخت ویدئوهای آموزشی را دانلود نمایید.

توضیحات:

مزیت اصلی این محصول، بیان مباحث تئوری بصورت جزئی و  سپس پیاده سازی آن و توضیحات مربوطه می باشد. لازم به ذکر است که آموزش در یادگیری عمیق با داده های میلیونی و برچسب دار صورت می گیرد و این تعداد بالای دیتا در همه شبکه ها امکانپذیر نمی باشد و مبحث Transfer learning و همچنین  Data Augmentation  بسیار مورد توجه و کارگشا می باشد.

در این محصول به این دو مبحث پرداخته شده و  همچنین پیاده سازی آنها (در برنامه هایی دستورات مرتبط با چگونگی بکارگیری از این دو تکنیک که در خدمت یادگیری عمیق می باشند) آموزش داده شده اند.

یادگیری انتقالی یا  Transfer Learning  به معنای استفاده از یک مدل از پیش آموزش دیده در یک کاربرد جدید و بهبود تعمیم پذیری در مسئله ای دیگر است. این مبحث، امروزه در یادگیری عمیق بسیار مورد توجه است، زیرا امکان آموزش شبکه‌های عصبی عمیق را با داده‌های نسبتا کمی فراهم می‌کند. همان‌طور که می‌دانیم، آموزش با داده کم بسیار ارزشمند است، زیرا در اکثر مسائل دنیای واقعی، داده‌های میلیونی و برچسب‌دار برای آموزش مدل‌های پیچیده یادگیری عمیق وجود ندارد.

Data Augmentation یا افزونگی داده به معنای تولید داده های اضافی بدون تحمیل هزینه برچسب گذاری می باشد. شبکه های عصبی جدید و مدرن معمولاً دارای هزاران یا میلیون ها پارامتر هستند. طبیعتاً اگر شما پارامتر های بسیار زیادی داشته باشید، لازم است تعداد مناسبی از نمونه ها را به مدل خود نشان دهید تا عملکرد خوبی را بدست آورید. بدین منظور با تکنیک افزونگی داده برای بدست آوردن داده های بیشتر، تنها لازم است تغییرات جزئی را در دیتاهای موجود اعمال نماییم و شبکه عصبی ما این دیتاهای تغییر یافته را بعنوان دیتاهای جدید درنظر خواهد گرفت.

ویدئوی نمونه تدریس مدرس ?

عناوين آموزشی

مهم ترین عناوين آموزشی عبارت اند از:

• معرفی هوش مصنوعی (به ویژه شبکه عصبی)
• مقدمه ای بر پرسپترون
• مقدمه ای بر شبکه های عصبی
• شبکه عصبی مصنوعی
• معرفی یادگیری عمیق
• کاربردهای یادگیری عمیق
• توابع فعالساز
• تابع RELUE
• تابع هزینه Cost function
• الگوریتم پس انتشار خطا
• الگوریتم های بهینه سازی
• Learning rate
• راه اندازی python، Tensorflow و Keras
• پیاده سازی شبکه عصبی در کراس (ارقام دست نویس 0 تا 9)
• شبکه های عصبی کانولوشنالی
• کاربردهای CNN
• تفاوت fully connected و CNN
• مقدمات Convolution
• مشکلات کانولوشن
• یادگیری فیلتر
• Padding
• Stride
• کانولوشن بر روی تصویر رنگی (RGB)
• استفاده از چندین فیلتر
• انواع لایه در شبکه های کانولوشنالی
• لایه Pooling
• محاسبه تعداد پارامترها و سایز هر لایه
• بیش برازش Overfitting
• راه های کاهش Overfitting و افزایش دقت شبکه
• Dropout
• Data Augmentation
• سه نمونه معماری مختلف CNN
• Transfer learning
• اجرای دستورات مرتبط در فضای Jupyter notebook

تهیه آموزش

به منظور تهیه این محصول آموزشی بر روی دکمه ? زیر کلیک کرده و بلافاصله پس از پرداخت ویدئوهای آموزشی را دانلود نمایید.

لینک های مفید

• آنالیز بهترین هایپرپارامترها در یادگیری عمیق
• رگرسیون: گام اول Deep Learning یا یادگیری عمیق در پایتون – یادگیری عمیق با 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
• شبکه های عصبی مصنوعی: گام پنجم از یادگیری عمیق در پایتون