آموزش بهبود شبکه‌های عصبی عمیق

poster
پیش‌نمایش دوره

شبکه عصبی عمیق یک شبکه عصبی با سطح مشخصی از پیچیدگی و بیش از دولایه است. این نوع شبکه‌ها از مدل‌سازی سطح بالای ریاضی برای پردازش داده‌ها به روش‌های پیچیده استفاده می‌کنند. به‌طورکلی شبکه عصبی ... ادامه

برگزارکننده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
3.1 (7 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذراندن دوره:  12 ساعت
مجموع محتوای آموزشی:  6 ساعت ویدئو - 6 ساعت تمرین و پروژه
 (قابل دانلود نمی‌باشد)
مهلت دوره:  4 هفته
  
حد نصاب قبولی در دوره:  75 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   زیرنویس فارسی course-feature   تسهیل استخدام

پیش‌نیاز‌ها

این آموزش دومین دوره از مجموعه تخصص یادگیری عمیق اندرو بوده به آموزش بهبود شبکه عصبی عمیق می‌پردازد؛ بنابراین برای درک کامل موارد ذکرشده در این دوره شما باید با این شبکه‌ها آشنایی داشته باشید. تسلط بر یکی از زبان‌های برنامه‌نویسی و آشنایی با مدل‌سازی و مباحث ریاضیاتی برای شرکت در این دوره ضروری است.

سرفصل‌های دوره آموزش بهبود شبکه‌های عصبی عمیق

فصل اول: جنبه‎‌های عملیاتی یادگیری عمیق

در این فصل به بیان بررسی داده‌های آموزشی، توسعه و تست پرداخته می‌شود و شما می‌توانید تأثیر و اهمیت مقداردهی اولی را روی نتایج شبکه‌های عصبی درک کنید. دستورالعمل‌های پایه یادگیری ماشین، منظم سازی و روش‌های آن، درک مفهوم Dropout و غیره از دیگر مباحثی است که در فصل اول بررسی می‌شود.

  آموزش، توسعه و تست مجموعه داده
مشاهده
"12:14  
  بایاس و واریانس
مشاهده
"08:56  
  دستور العمل اصلی برای یادگیری ماشین
مشاهده
"06:31  
  منظم‌سازی (regularization)
مشاهده
"09:52  
  چرا منظم‌سازی (regularization)، overfitting را کاهش می‌دهد
مشاهده
"07:19  
  Dropout Regularization
مشاهده
"09:35  
  درک dropout
مشاهده
"07:14  
  دیگر روش‌های regularization
مشاهده
"08:34  
  نرمال‌سازی ورودی‌ها
مشاهده
"05:40  
  Vanishing Exploding gradients
مشاهده
"06:17  
  وزن‌دهی اولیه شبکه‌های عمیق
مشاهده
"06:22  
  Numerical approximation of gradients
مشاهده
"06:45  
  Gradient checking
مشاهده
"06:44  
  نکات پیاده‌سازی Gradient checking
مشاهده
"05:28  
  مصاحبه با Yoshua Bengio
مشاهده
"25:58  
  آزمون فصل اول
 18.2%    
"10:00  
  پروژه اول – مقدار دهی اولیه (الزامی)
 27.3%    
"60:00  
  پروژه دوم – رگولاریزاسیون (الزامی)
 27.3%    
"60:00  
  پروژه سوم – بررسی گرادیان (الزامی)
 27.3%    
"60:00  
فصل دوم: الگوریتم‌های بهینه‌سازی

فصل دوم به بررسی الگوریتم‌های بهینه‌سازی اختصاص دارد. در واقع در این فصل تفاوت‌های الگوریتم‌های مختلف بهینه‌سازی را درک خواهید کرد. اجرای الگوریتم گرادیان نزولی با بسته‌های کوچک داده و همچنین با مومنتوم از مباحث مهم این فصل است که منجر به افزایش سرعت تبدیل و یادگیری می‌شود.

به‌علاوه، در این فصل به میانگین‌ها با وزن نمایی، درک آن‌ها، همبستگی بر مبنای بایاس در میانگین‌های نمایی وزن‌دهی شده پرداخته خواهد شد. در انتها هم با RMSprop و الگوریتم‌های بهینه‌سازی adam آشنا می‌شوید.

  Mini-batch gradient descent
مشاهده
"11:38  
  درک mini-batch gradient descent
مشاهده
"11:28  
  میانگین‌های وزن‌دهی شده‌ی نمایی
مشاهده
"06:08  
  درک میانگین وزن‌دهی شده‌ی به صورت نمایی
مشاهده
"09:52  
  تصحیح بایاس‌ها در میانگین وزن‌دهی شده به صورت نمایی
مشاهده
"04:21  
  گرادیان نزولی با مومنتوم
مشاهده
"09:30  
  RMSprop
مشاهده
"07:51  
  الگوریتم بهینه‌سازی آدام (َAdam)
مشاهده
"07:17  
  زوال ضریب یادگیری
مشاهده
"06:54  
  مشکل مینیمم محلی
مشاهده
"05:33  
  مصاحبه با Yuanqing Lin
مشاهده
"13:46  
  آزمون فصل دوم
 50%    
"10:00  
  پروژه چهارم – بهینه‌سازی (الزامی)
 50%    
"30:00  
فصل سوم: تنظیم ابرپارامترها، نرمال‌سازی دسته‌ای و چارچوب‌های برنامه‌نویسی

در فصل آخر از آموزش بهبود شبکه‌های عصبی عمیق با تنظیم هایپرپارامترها آشنا خواهید شد. بدین منظور شما باید بتوانید از مقیاس مناسب برای انتخاب متغیرها استفاده کنید و به تنظیم آن‌ها در عمل بپردازید. در این فصل این موارد را گام به گام خواهید آموخت.

دسته‌های داده از دیگر مباحث مطرح در این فصل هستند. با گذراندن مباحث فصل آخر شما یاد می‌گیرید که دسته‌های داده چرا کار می‌کنند و چگونه می‌توان آن‌ها را به یک شبکه عصبی اضافه کرد. فریم‌ورک‌های یادگیری عمیق، تنسور فلو و رگرسیون Softmax از جمله موضوعات مهمی هستند که در این فصل آن‌ها را به‌خوبی فرامی‌گیرید.

  فرآیند تنظیم (tuning)
مشاهده
"07:20  
  استفاده از مقیاس مناسب برای انتخاب ابرپارامترها
مشاهده
"09:00  
  تنظیم Hyperparameters در عمل با Pandas و Caviar
مشاهده
"07:01  
  نرمال‌سازی توابع فعال‌ساز در شبکه
مشاهده
"09:05  
  Fitting Batch Norm into a neural network
مشاهده
"13:05  
  چرا نرمال‌سازی به صورت Batch کار می‌کند؟
مشاهده
"11:49  
  نرمال‌سازی به صورت Batch در زمان تست
مشاهده
"05:56  
  Softmax Regression
مشاهده
"11:57  
  آموزش یک Softmax Classifier
مشاهده
"10:17  
  فریم‌ورک‌های یادگیری عمیق
مشاهده
"04:25  
  Tensorflow
مشاهده
"16:17  
  آزمون فصل سوم
 40%    
"10:00  
  پروژه پنجم – شروع کار با Tensorflow (الزامی)
 60%    
"120:00  

ویژگی‌های دوره

گواهی‌نامه مکتب‌خونه
گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

مشاهده نمونه گواهینامه

ویژگی‌های دوره

خدمات منتورینگ
خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

ویژگی‌های دوره

پروژه محور
پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

ویژگی‌های دوره

تمرین و آزمون
تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

ویژگی‌های دوره

تالار گفتگو
تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

ویژگی‌های دوره

زیرنویس فارسی
زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

ویژگی‌های دوره

تسهیل استخدام
تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد.

بررسی فرصت‌های شغلی

درباره دوره

شبکه عصبی عمیق یک شبکه عصبی با سطح مشخصی از پیچیدگی و بیش از دولایه است. این نوع شبکه‌ها از مدل‌سازی سطح بالای ریاضی برای پردازش داده‌ها به روش‌های پیچیده استفاده می‌کنند.

به‌طورکلی شبکه عصبی یک فناوری است که برای شبیه‌سازی فعالیت مغز انسان ساخته شده‌است؛ شناخت الگو و عبور ورودی از طریق لایه‌های اتصالات عصبی شبیه‌سازی شده مختلف از مهم‌ترین این فعالیت‌هاست.

بسیاری از کارشناسان شبکه‌های عصبی عمیق را شبکه‌هایی تعریف می‌کنند که یک‌لایه ورودی، یک‌لایه خروجی و حداقل یک‌لایه پنهان در بین آن‌ها دارند. هر لایه نوع خاصی از مرتب‌سازی و ترتیب را در فرایندها انجام می‌دهند.

یکی از کاربردهای کلیدی شبکه عصبی عمیق سروکار داشتن با داده‌های بدون برچسب یا ساختار نیافته است. عبارت یادگیری عمیق هم برای توصیف این شبکه‌های عصبی عمیق به کار می‌رود؛ چراکه یادگیری عمیق شکل خاصی از یادگیری ماشین را نشان می‌دهد که در آن فناوری‌ها با استفاده از جنبه‌های هوش مصنوعی به دنبال طبقه‌بندی و تنظیم اطلاعات فراتر از پروتکل‌های ساده ورودی و خروجی هستند.

 

هدف از یادگیری دوره آموزش بهبود شبکه‌های عصبی عمیق چیست؟

آموزش بهبود شبکه عصبی عمیق، دومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. هدف از این دوره این است که بتوانید فرایندهایی که منجر به کارایی می‌شوند و به طور سیستماتیک نتایج خوبی به بار می‌آورند، را درک کنید.

در پایان این دوره شما خواهید توانست بهترین روش‌ها را برای آموزش و توسعه مجموعه‌های آزمون و تجزیه و تحلیل بایاس واریانس استفاده کرده و آن‌ها را برای ایجاد برنامه‌های یادگیری عمیق به کار ببرید. 

 

دوره آموزش بهبود شبکه‌های عصبی عمیق مناسب چه کسانی است؟

  • کسانی که با هوش مصنوعی آشنایی دارند و می‌خواهند مهارت‌های خود را ارتقا دهند.
  • برنامه‌نویسانی که به کار کردن در حوزه بهبود شبکه عصبی عمیق علاقه‌مندند.
  • دانشجویان علوم مهندسی، پزشکی و پایه

 

بعد از فراگیری دوره آموزش بهبود شبکه‌های عصبی عمیق چه مهارت‌هایی کسب خواهید کرد؟

با گذراندن این دوره مهارت‌های شما در زمینه بهبود شبکه‌های عصبی عمیق ارتقا پیدا خواهد کرد و می‌توانید از تکنیک‌های استاندارد شبکه عصبی عمیق استفاده کنید. این تکنیک‌ها عبارت‌اند از:

  • تنسورفلو (Tensorflow)
  • یادگیری عمیق
  • بهینه‌سازی ریاضی
  • تنظیم هایپر پارامترها
  • مقداردهی اولیه
  • نرمال‌سازی بسته‌ها
  • پیاده‌سازی و به‌کارگیری انواع الگوریتم‌های بهینه‌سازی

 

 

درباره استاد

maktabkhooneh-teacher Andrew Ng

اندرو انگ استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین بنیان‌گذار کورسرا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا است.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه‌های پژوهش او هوش مصنوعی و علوم رباتیک است.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.
علیرضا فرزین پور 1400-10-10
دوره های Dr. Adnrew Ng فوق العاده هستن و ویدیو های این دوره ها رو میشه هر چند وقت یکبار باز هم مرور کرد و بیشتر به حرف هایی که در ویدیو ها گفته میشه فکر کرد . از مکتب خونه بابت این دوره ها بسیار سپاس گذارم و امیدوارنم دوره های این شکلی بیشتری اضافه بشه .
آرتین دانشور 1402-10-12
زیرنویس دوره بد بود
میلاد سیف الهی 1400-07-07
دوره فوق العادس ولی زیرنویس صرفا از روی گوگل ترنسلیت ترجمه شده. اگر امکانش هست مترجمی برای این کار پیدا کنید.
نجمه پورخمیسی 1402-08-03
زیر نویس دوره بسیار بد و مبتدی هست . در صورت کمی آشنایی با مفاهیم یادگیری ماشین به سادگی متوجه ضعف زیرنویس خواهید شد.

دوره‌های پیشنهادی

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.

سوالات پرتکرار

اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.

سوالات پرتکرار

آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

دوره آموزش بهبود شبکه های عصبی عمیق

در عصر تکنولوژی‌ای که ما در آن زندگی می‌کنیم،‌ اهمیت یادگیری مهارت‌های به‌روز بیش از پیش مهم و حیاتی شده است. یکی از حوزه‌های پیش‌رو در این زمینه، دیپ لرنینگ و هوش مصنوعی است که با سرعت روزافزونی رو به جلو حرکت می‌کند. آموزش بهبود شبکه های عصبی عمیق یکی از آموزش‌های جدیدی است که مخاطبان خاص خودش را پیدا کرده است. شما هم احتمالا با جستجوی آموزش شبکه عصبی pdf به دوره‌های متعددی برخورد کردید که هر یک به شکل متفاوتی سعی داشتند تا این مبحث پرطرفدار را پوشش دهند. بیایید با هم نگاهی بیندازیم به این دوره از آموزش شبکه های عصبی مکتب خونه.

شبکه عصبی عمیق چیست؟

شبکه عصبی عمیق یا Deep Neural Network (به اختصار DNN) نوعی هوش مصنوعی است که از ساختار مغز انسان الهام گرفته شده است. دلیل نام‌گذاری آن هم همین الگوی مشابهش با شبکه‌های عصبی مغز انسان است. شبکه‌های عصبی پایه یادگیری عمیق یا همان دیپ لرنینگ را تشکیل می‌دهند که زیرشاخه‌ای از یادگیری ماشین است. این شبکه‌های عصبی از لایه‌های متعددی از نورون‌های مصنوعی تشکیل شده‌اند که به هم متصل اند. این نورون‌ها می‌توانند از دسته‌ای از داده‌های عظیم یاد بگیرند و الگوی بین آن‌ها را کشف کنند.

کاربردهای DNN

شبکه‌های عصبی عمیق می‌توانند انواع مختلفی داشته باشند. برای مثال شبکه عصبی کانولوشن (Convolutional neural network) یا شبکه عصبی پیچشی نوع خاصی از این شبکه‌ها هستند. این شبکه‌های عصبی در طیف گسترده‌ای از کاربردها به کار می‌روند. چند نمونه از رایج‌ترین کاربردهای یک شبکه عصبی عمیق موارد زیر را می‌توان نام برد:

  • تشخیص تصویر: شبکه‌های عصبی عمیق می‌توانند برای شناسایی اشیا و افراد در تصویر و ویدیو به کار بروند. به عنوان مثال، می‌توانند برای تشخیص چهره، تصویر محصول یا عابران پیاده در ویدیوهای دوربین‌های امنیتی استفاده شوند.
  • پردازش زبان طبیعی: این شبکه‌ها می‌توانند برای درک و تولید زبان انسان استفاده شوند. برای مثال، می‌شود از آن‌ها برای ترجمه متن از یک زبان به زبان دیگر، پاسخ به سوالات آموزشی، نوشتن مقالات خبری و یا داستان‌نویسی استفاده کرد.
  • رباتیک: این شبکه‌ها می‌توانند برای کنترل ربات‌ها کارآمد باشند و به آن‌ها قابلیت راه‌یابی، دستکاری اشیا و تعامل با محیط اطرافشان را بدهند. بشر می‌تواند از این تکنولوژی برای کنترل ربات‌های جراح، ربات‌های انبار یا ربات‌های خودران در اتوموبیل‌های اتوماتیک استفاده کند.
  • پیش‌بینی: شبکه‌های عصبی برای درک الگوها و تشخیص احتمال بارندگی یا تغییر قیمت در بازارهای مالی با دقت بالایی آموزش داده می‌شوند و می‌توانند به ما در تصمیم‌گیری کمک کنند.

آموزش بهبود شبکه های عصبی عمیق یک زمینه آموزشی و تحقیقاتی فعال به شمار می‌رود که به طور مداوم در حال پیشرفت و توسعه قابلیت‌های جدید است. امروزه می‌شود گفت که آموزش بهبود شبکه های عصبی عمیق یک پتانسیل انقلابی در ایجاد محصولات و خدمات جدید دارد که می‌تواند زندگی ما را بهبود ببخشد.

شبکه عصبی عمیق چطور کار می‌کند؟

به طور خلاصه، شبکه‌های عصبی عمیق مجموعه‌ای از داده‌ها را دریافت می‌کنند، برای تشخیص الگوهای موجود در بین این داده‌ها آموزش می‌بینند و سپس خروجی مجموعه جدیدی از این داده‌های مشابه را پیش‌بینی می‌کنند. اما اگر بخواهیم مفصل‌تر توضیح بدهیم: شبکه‌های عصبی عمیق از لایه‌های نورون‌های مصنوعی تشکیل شده‌اند. این نورون‌ها در اصل واحدهای پردازشی شبکه هستند.

در ابتدا لایه ورودی‌ای داریم که داده‌های اولیه را دریافت می‌کند. در نهایت هم لایه خروجی‌ای هست که خروجی نهایی ما را پیش‌بینی می‌کند. در این بین، لایه‌های مخفی و پنهانی وجود دارند که محاسبات مورد نیاز شبکه عصبی ما را انجام می‌دهند. برخلاف شبکه‌های عصبی قدیمی، شبکه‌های عصبی جدید لایه‌های پنهان زیادی دارند که به آن‌ها این قابلیت را می‌دهد تا مفاهیم پیچیده‌تری یاد بگیرند و وظایف دشوارتری را انجام دهند. سازوکار این لایه‌ها بدین صورت است که هر لایه یک ورودی از لایه قبلی می‌گیرد، آن را پردازش می‌کند و در آخر خروجی را به لایه بعدی ارسال می‌کند.

شبکه‌های عصبی با مقدار زیادی داده آموزش می‌بینند. این داده‌ها می‌توانند متن، تصویر، ویدیو یا هر نوع دیگری از داده باشند. این شبکه‌ها با استفاده از فرایندی به نام یادگیری معکوس آموزش می‌بینند. در روند یادگیری معکوس، خطای بین خروجی شبکه و خروجی مورد نظر محاسبه می‌شود. سپس از این خطا برای تنظیم شبکه به گونه‌ای استفاده می‌شود که در دفعات بعدی دقتش را بیشتر کند.

آموزش این شبکه‌های عصبی ممکن است چنیدن ساعت یا حتی ماه‌ها طول بکشد اما با اطمینان خاطر می‌توان گفت که صرف کردن این زمان، ارزشش را دارد. افرادی که از نقش مهم و آینده‌ساز این نوع هوش مصنوعی خبر دارند از همان ابتدا برای آموزش بهبود شبکه های عصبی عمیق سرمایه‌گذاری می‌کنند.

تفاوت یادگیری عمیق (دیپ لرنینگ) و یادگیری ماشین در چیست؟

یادگیری عمیق درواقع زیرمجموعه‌ای از یادگیری ماشین است. در این قسمت به برخی از تفاوت‌های کلیدی بین این دو واژه می‌پردازیم تا هیچ ابهامی برای شما باقی نماند.

می‌شود گفت که الگوریتم‌های یادگیری ماشین به طور کلی نسبت به الگوریتم‌های دیپ لرنینگ ساده‌تر هستند در حالی که الگوریتم‌های یادگیری عمیق پیچیده‌ترند و می‌توانند لایه‌های پنهان متعددی داشته باشند. یادگیری ماشین معمولا برای آموزش به مقدار نسبتا کمی داده نیاز دارد اما شبکه‌های یادگیری عمیق به مقدار بسیار بیشتری داده احتیاج دارند.

از لحاظ کاربرد، یادگیری ماشین برای انجام طیف گسترده‌ای از وظایف، از جمله طبقه‌بندی، رگرسیون و خوشه‌بندی مناسب است. در صورتی که یادگیری عمیق به طور خاص برای وظایف پیچیده‌تری شامل یادگیری الگوهای ظریف در داده‌ها مانند تشخیص تصویر، پردازش زبان طبیعی و تشخیص گفتار مناسب است.

بهبود شبکه‌های عصبی عمیق با پایتون یا متلب؟

انتخاب بین دو زبان متلب و پایتون برای بهبود شبکه‌های عصبی به نیازها و ترجیحات شما بستگی دارد. ما خلاصه‌ای از مزایا و معایب هر زبان را برای‌تان آورده‌ایم تا بتوانید بهتر تصمیم بگیرید:

محیط متلب برای محاسبات عددی، پردازش سیگنال و کنترل به طور ویژه‌ای طراحی شده است که این زبان را به یک انتخاب محبوب برای پروژه‌های مهندسی و علمی تبدیل می‌کند. متلب دارای طیف گسترده‌ای از جعبه ابزارهای داخلی مناسب برای بهبود و توسعه شبکه‌های عصبی عمیق است. رابط کاربری متلب بصری است و استفاده از آن بسیار آسان است. این امر آموزش شبکه عصبی در متلب را برای مبتدیان راحت‌تر می‌کند. متلب یک نرم‌افزار آزاد و رایگان نیست. این نکته می‌تواند یکی از معایب این زبان به شمار رود.

در عوض پایتون یک زبان منبع باز و رایگان است. این بدان معنی است که برای هر کسی قابل دسترسی و آزاد است. پایتون به طور گسترده در جامعه یادگیری ماشین استفاده می‌شود، در نتیجه منابع و کتابخانه‌های زیادی برای استفاده دارد. همچنین دوره‌های آموزش شبکه های عصبی در پایتون بسیار در دسترس و فراگیرند. این ویژگی برای کسانی که به دنبال آموزش رایگان شبکه عصبی و یا دوره‌های ویژه‌تری مانند آموزش شبکه عصبی پرسپترون یا شبکه عصبی کانولوشنی هستند بسیار مناسب و پرطرفدار است.

با این‌که پایتون زبانی خوانا و نسبتا ساده است، به اندازه متلب برای محاسبات عددی یا پردازش سیگنال بهینه نیست. در نهایت، بهترین زبان برای شما به خودتان بستگی دارد. اگر به دنبال یک محیط تخصصی با طیف گسترده‌ای از ابزارهای داخلی برای شبکه‌های عصبی هستید، متلب گزینه خوبی است اما اگر به دنبال یک زبان منبع باز و رایگان با جامعه کاربری بزرگ و فعال هستید، پایتون می‌تواند انتخاب بهتری باشد.

نگاهی به دوره آموزش شبکه های عصبی مکتب خونه

دوره آموزش بهبود شبکه های عصبی عمیق که توسط وب‌سایت مکتب خونه ارائه می‌شود، آموزشی است جامع و اساسی برای یادگیری و تسلط بر یکی از زیرشاخه‌های هوش مصنوعی و دیپ لرنینگ. برای گذراندن این دوره به ۱۲ ساعت زمان نیاز دارید که ۶ ساعت آن صرف تماشای ویدیوها و حدود ۶ ساعت هم صرف حل تمارین و پروژه‌هاست. پیش‌نیاز این دوره آشنایی با یکی از زبان‌های برنامه‌نویسی و به طور کلی آشنایی با مباحث مدل‌سازی و ریاضیات لازم برای مبحث ماشین لرنینگ هست.

پس از پایان این دوره، مدرک معتبری از سمت مکتب خونه دریافت می‌کنید که در مسیر شغلی‌تان یک امتیاز مثبت تلقی می‌شود. این دوره از فصل کلی تشکیل شده است که هر یک حاوی چند جلسه آموزشی هستند. بیایید با هم نگاهی بیندازیم به سرفصل‌های دوره آموزش بهبود شبکه های عصبی عمیق مکتب خونه.

سرفصل‌های دوره آموزش بهبود شبکه های عصبی عمیق

سرفصل‌های این دوره از آموزش شبکه های عصبی مکتب خونه به این صورت‌اند:

·         فصل اول: جنبه‌های عملیاتی یادگیری عمیق (حاوی ۱۹ جلسه آموزش و تمرین)

·         فصل دوم: الگوریتم‌های بهینه‌سازی (حاوی ۱۳ جلسه آموزش و تمرین)

·         فصل سوم: تنظیم ابرپارامترها، نرمال‌سازی دسته‌ای و چارچوب‌های برنامه‌نویسی (حاوی ۱۳ جلسه آموزش و تمرین)

آموزش بهبود شبکه های عصبی عمیق در مکتب خونه

در عصر کنونی، شاهد تغییرات سریع و پرشتاب در حیطه تکنولوژی هستیم و اگر در مسیر آموختن این مهارت‌ها تلاش نکنیم، ضرر خواهیم کرد. یکی از تکنولوژی‌های انقلابی این دوران، نوعی از هوش مصنوعی با نام شبکه عصبی عمیق است که علمی پیش‌رو و چالش‌انگیز تلقی می‌شود. مکتب خونه با ارائه دوره آموزش بهبود شبکه های عصبی عمیق مطالب آموزشی خود را باز هم کامل‌تر و به‌روزتر از پیش کرده است. با ثبت‌نام در وب‌سایت رسمی مکتب خونه و انتخاب این دوره، از آموزش‌های باکیفیت و قابلیت‌های متعدد این پلتفرم آموزشی بهره ببرید و در نهایت مدرک معتبر دریافت کنید.

دوره آموزش بهبود شبکه های عصبی عمیق برای تمامی علاقه‌مندان و فعالان حوزه هوش مصنوعی و دیپ لرنینگ آموزشی مهم و باارزش است. ما در مکتب خونه محتوای چندرسانه‌ای این دوره را برای شما فراهم کرده‌ایم تا بدون سردرگمی به یادگیری بپردازید. همچنین در مکتب خونه انواع دوره آموزش برنامه نویسی، آموزش هوش مصنوعی و آموزش یادگیری ماشین به عنوان مکمل و پیش نیاز این دوره موجود است.

 

 

poster
پیش‌نمایش دوره
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذراندن دوره:  12 ساعت
مجموع محتوای آموزشی:  6 ساعت ویدئو - 6 ساعت تمرین و پروژه
 (قابل دانلود نمی‌باشد)
مهلت دوره:  4 هفته
  
حد نصاب قبولی در دوره:  75 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   زیرنویس فارسی course-feature   تسهیل استخدام