توضیح همه مدل‌های یادگیری عمیق برای مبتدیان

آنچه یاد خواهید گرفت:

• تمام مدل‌های اصلی یادگیری عمیق
• کسب درک مفهومی عمیق پیش از شروع کدنویسی
• طراحی شده برای افراد کاملاً مبتدی - بدون نیاز به تجربه قبلی در یادگیری عمیق
• توضیح معماری‌های پیچیده با بیانی ساده و بصری

پیش نیازهای دوره

• دانش اساسی یادگیری ماشین

توضیحات دوره

به دوره «توضیح همه مدل‌های یادگیری عمیق برای مبتدیان» خوش آمدید - راهنمای جامع شما برای درک اصول و معماری قدرتمندترین مدل‌های هوش مصنوعی (AI) و یادگیری عمیق که امروزه در جهان استفاده می‌شوند.

این دوره که با رویکردی مناسب برای مبتدیان طراحی شده، برای دانشجویان، علاقه‌مندان به علم داده و فراگیران هوش مصنوعی است که می‌خواهند به درک عمیقی از چگونگی عملکرد معماری‌های مدرن یادگیری عمیق دست یابند. اگر هدف شما ساخت طبقه‌بندهای تصویر، تشخیص آبجکت ها، تولید تصاویر واقعی، شناسایی چهره‌ها، یا درک مدل‌های زبانی بزرگ مانند GPT است، این دوره شفافیت و درک عملی مورد نیازتان را فراهم می‌کند.

یادگیری عمیق قلب هوش مصنوعی است و تسلط به آن، مسیر را برای ورود به حوزه‌های بینایی ماشین، پردازش زبان طبیعی (NLP)، رباتیک، سیستم‌های خودران و Generative AI هموار می‌سازد. این دوره تمامی مدل‌های اصلی یادگیری عمیق را به شیوه‌ای گام‌به‌گام و قابل فهم ارائه می‌دهد.

شبکه‌های عصبی مصنوعی (ANN):

• درک ساختار و عملکرد نورون‌ها، لایه‌ها و توابع فعال‌سازی
• یادگیری انتشار روبه‌جلو و پس‌پراکنش 
• درک بهینه‌سازی گرادیان کاهشی و فرآیند یادگیری شبکه‌ها

شبکه‌های عصبی عمیق (DNN):

• بررسی معماری‌های عمیق‌تر برای تسک های پیچیده
• درک مشکل محوشدگی گرادیان و تکنیک‌های بهینه‌سازی
• یادگیری نرمال‌سازی، حذف تصادفی و تنظیم‌سازی

شبکه‌های عصبی کانولوشنال (CNN):

• تسلط به اصول پردازش تصویر و بینایی ماشین
• درک مفاهیم کانولوشن، ادغام، پدینگ و فیلترها
• ساخت یک شبکه CNN برای طبقه‌بندی تصاویر

شبکه‌های عصبی بازگشتی (RNN) و LSTM:

• یادگیری چگونگی پردازش داده‌های متوالی مانند متن یا سری‌های زمانی توسط RNN
• درک مشکل محوشدگی گرادیان
• بررسی معماری‌های LSTM (حافظه طولانی کوتاه‌مدت) و GRU

شبکه‌های تخاصمی مولد (GAN):

• آشنایی با معماری مولد و متمایزکننده 
• درک چگونگی تولید تصاویر و داده‌های واقع‌گرایانه توسط GAN
• بررسی مدل‌های محبوب مانند DCGAN و CycleGAN

ترنسفورمرها:

• درک سازوکار توجه و خود-توجهی 
• آشنایی با چگونگی تحول‌آفرینی Transformers در حوزه‌های NLP و هوش مصنوعی
• بررسی معماری به‌کاررفته در مدل‌هایی مانند GPT و BERT و LLM‌های مدرن

مدل GPT (Generative Pre-Trained Transformer):

• یادگیری چگونگی درک و تولید متن شبه‌انسان توسط مدل‌های GPT
• درک مفاهیم توکن‌سازی، تعبیه و متدولوژی آموزش
• بررسی موارد استفاده در تولید متن، کدنویسی و چت‌بات‌ها

مدل R-CNN (Region-Based CNN):

• یادگیری مفاهیم تشخیص آبجکت و چگونگی مکان‌یابی چندین آبجکت توسط R-CNN
• بررسی مدل‌های Fast R-CNN و Faster R-CNN و Mask R-CNN
• درک کادرهای مرزی و نواحی پیشنهادی

مدل YOLO (You Only Look Once):

• درک مفهوم تشخیص آبجکت به‌صورت بلادرنگ
• آشنایی با معماری YOLO و چگونگی بهینه‌سازی آن برای سرعت و دقت
• بررسی کاربردهای YOLOv8/YOLOv11 در ردیابی و نظارت

شناسایی چهره با استفاده از یادگیری عمیق:

• یادگیری چگونگی تشخیص و شناسایی چهره‌ها توسط مدل‌های یادگیری عمیق
• درک مفاهیم تعبیه، استخراج ویژگی و معیارهای شباهت
• ساخت یک پایپ لاین اولیه برای شناسایی چهره

این دوره برای چه کسانی مناسب است؟

• دانشجویان علاقه‌مند به هوش مصنوعی و یادگیری عمیق
• توسعه‌دهندگانی که قصد درک معماری‌های مدرن هوش مصنوعی را دارند.