یادگیری عمیق و شبکه های عصبی در پایتون (علم داده)

در این دوره با ایجاد مدل های یادگیری عمیق در پایتون آشنا می شوید.

آنچه یاد خواهید گرفت

• تئوری یادگیری عمیق و شبکه های عصبی مصنوعی
• انواع توابع فعال سازی
• ایجاد شبکه عصبی مصنوعی (ANN) با استفاده از توابع فعال سازی
• مقدمه تنسورفلو و کراس
• ایجاد شبکه عصبی کانولوشن (CNN) با استفاده از تنسورفلو و کراس
• ایجاد شبکه های عصبی بازگشتی (RNN)
• برنامه تئوری و عملی پردازش زبان طبیعی (NLP)
• آشنایی با بینایی کامپیوتری
• تکلیف در ANN و CNN و RNN

توضیحات دوره

اهداف یادگیری:

• ایجاد درک کاملی از اصول نظری یادگیری عمیق، از جمله معماری شبکه های عصبی، توابع فعال سازی و الگوریتم های بهینه سازی
• کسب تجربه عملی در پیاده سازی مدل های یادگیری عمیق با استفاده از تنسورفلو و کراس
• بررسی تکنیک های پیشرفته یادگیری عمیق مانند CNN و RNN و ANN و درک کاربردهای آن ها در حوزه های مختلف
• یادگیری ارزیابی و تفسیر مدل های یادگیری عمیق با استفاده از متریک های مناسب و ابزارهای مصورسازی
• اعمال اصول یادگیری عمیق در مشکلات واقعی از طریق تکالیف عملی و مطالعات موردی

نتایج یادگیری:

در پایان دوره دانشجویان مباحث زیر را می آموزند:

• درک اصول اساسی یادگیری عمیق و الگوریتم های کلیدی آن
• پیاده سازی و آموزش انواع مختلف شبکه های عصبی با استفاده از فریمورک های محبوب یادگیری عمیق
• ارزیابی و تفسیر مدل های یادگیری عمیق برای تسک های مختلف مانند طبقه بندی، رگرسیون و پیش بینی توالی
• اعمال تکنیک های یادگیری عمیق برای مشکلات و مجموعه داده های واقعی
• ارزیابی انتقادی تحقیقات فعلی در یادگیری عمیق و بروز ماندن با پیشرفت‌ ها در این زمینه

این دوره برای چه کسانی مناسب است؟

• مبتدیان در یادگیری عمیق