ساخت یک شبکه عصبی ساده و یادگیری پسانتشار
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- کدنویسی شبکههای عصبی از ابتدا فقط با استفاده از پایتون
- پسانتشار چیست و چگونه به یادگیری ماشینها کمک میکند.
- چگونه ریاضیات پیچیده را به مراحل ساده و قابل انجام تقسیم کنیم؟
- سادهترین راه برای درک گرادیانها و اهمیت آنها
- وقتی ماشین پیشبینی میکند واقعاً چه اتفاقی میافتد
- چگونه با تنظیم جزئیات کوچک در کد، مدل هوشمندتری را آموزش دهیم؟
این دوره شبکههای عصبی را به هسته اصلی آنها یعنی ریاضیات و پایتون خام تقلیل میدهد.
شما به بررسی عملکرد درونی پسانتشار، کاهش گرادیان و ریاضیاتی که شبکههای عصبی مدرن را قدرت میبخشد، خواهید پرداخت. بدون فریمورکهای از پیش ساخته، بدون جعبههای سیاه. فقط شما، ریاضیات و کدتان میباشد.
گامبهگام، شما شبکههای عصبی را به صورت دستی میسازید و آنها را از ابتدا پیادهسازی میکنید. از مشتقات جزئی تا بروزرسانی وزنها، هر مفهوم تجزیه شده و در پایتون کدنویسی میشود (بدون نیاز به کتابخانههایی مانند PyTorch!). اگر به دنبال درک واقعی نحوه کار یادگیری ماشین هستید و میخواهید آن را با ساخت شبکه عصبی خود ثابت کنید این دوره سکوی پرتاب شماست.
این دوره به 3 بخش اصلی تقسیم شده است:
مقدمه
- با درک اهداف دوره و اینکه چرا پسانتشار برای یادگیری ماشین مدرن مرکزی است، شروع کنید. این بخش انتظارات را تعیین میکند و توضیح میدهد که چگونه تسلط به ریاضیات به شما برتری رقابتی میدهد.
مفاهیم اساسی و پیادهسازی شبکه عصبی ساده
- به صورت عملی با تئوری کار کنید. بیاموزید که چگونه شبکههای عصبی دادهها را پردازش میکنند، هزینهها را محاسبه میکنند و وزنها را با استفاده از کاهش گرادیان بهروز میکنند. شما همه چیز را به صورت دستی محاسبه خواهید کرد، Forward Pass، گرادیانها و پسانتشار قبل از اینکه یک شبکه کارآمد را در پایتون کدنویسی کنید.
پیادهسازی پیشرفته شبکه عصبی
- مهارتهای خود را گسترش دهید. این بخش شما را در پیادهسازی یک شبکه عصبی عمیقتر با توابع فعالسازی غیرخطی راهنمایی میکند. شما از تکنیکهای پیشرفته پسانتشار برای آموزش مدلهای پیچیدهتر استفاده خواهید کرد و درک خواهید کرد که چگونه شبکههای عصبی دنیای واقعی از پایه ساخته میشوند.
چه چیزهای دیگری باید بدانم؟
با عضویت در ZTM، شما نه تنها به تمام دورههای بوتکمپ، بایتها و پروژههای ما دسترسی خواهید داشت.
بلکه همچنین میتوانید به کلاس درس آنلاین و زنده اختصاصی ما بپیوندید تا در کنار هزاران دانشجو، فارغالتحصیل، منتور، دستیار آموزشی و مدرس یاد بگیرید.
مهمتر از همه، شما از یک حرفهای صنعت یاد خواهید گرفت که تجربه واقعی در دنیای واقعی به عنوان مهندس هوش مصنوعی و یادگیری ماشین دارد. او استراتژیها و تکنیکهای دقیقی را که در نقش خود استفاده میکند، به شما آموزش میدهد.
در نهایت، مانند تمام دورههای ZTM، این دوره یک موجود زنده است. با تغییر چشمانداز، به طور مداوم بروز میشود تا بتوانید از آن به عنوان راهنمای اصلی خود برای ساخت شبکههای عصبی اکنون و در طول حرفه خود استفاده کنید.
به هزاران فارغالتحصیل Zero To Mastery بپیوندید که استخدام شدهاند و اکنون در شرکتهایی مانند Google ،Tesla ،Amazon ،Apple ،IBM ،JP Morgan ،Facebook ،Shopify + و سایر شرکتهای برتر فناوری کار میکنند.
آنها از پیشزمینهها، سنین و تجربیات مختلف میآیند. بسیاری حتی به عنوان مبتدی کامل شروع کردند.
ساخت یک شبکه عصبی ساده و یادگیری پسانتشار
-
مقدمه 02:59
-
تمرین: آشنایی با همکلاسیها و مدرس None
-
منابع دوره None
-
مقدمهای بر شبکه عصبی ساده ما 06:48
-
چرا از گرافهای محاسباتی استفاده میکنیم؟ 06:19
-
انجام انتشار رو به جلو 06:55
-
نقشه راه برای درک پسانتشار 02:47
-
تئوری مشتقات 04:27
-
مثال عددی از مشتقات 13:39
-
مشتقات جزئی 08:01
-
گرادیانها 03:52
-
درک اینکه مشتقات جزئی چه کار میکنند؟ 10:13
-
مقدمهای بر پسانتشار 05:00
-
(اختیاری) قاعده زنجیرهای 07:32
-
استخراج گرادیان تابع هزینه میانگین مربعات خطا 07:36
-
تصویرسازی تابع هزینه و درک گرادیانها 11:38
-
استفاده از قاعده زنجیرهای برای مشاهده چگونگی تأثیر w2 بر هزینه نهایی 18:42
-
پسانتشار w1 04:29
-
مقدمهای بصری بر کاهش گرادیان 10:07
-
کاهش گرادیان 06:07
-
درک نرخ یادگیری (Alpha) 08:10
-
حرکت در جهت مخالف گرادیان 05:30
-
محاسبه دستی کاهش گرادیان 08:47
-
کدنویسی شبکه عصبی ساده ما - بخش 1 04:23
-
کدنویسی شبکه عصبی ساده ما - بخش 2 07:16
-
کدنویسی شبکه عصبی ساده ما - بخش 3 06:31
-
کدنویسی شبکه عصبی ساده ما - بخش 4 05:00
-
کدنویسی شبکه عصبی ساده ما - بخش 5 05:22
-
مقدمهای بر شبکه عصبی پیچیده ما 05:29
-
انجام انتشار رو به جلو 04:24
-
شروع کار با پسانتشار 04:51
-
گرفتن مشتق تابع فعالسازی سیگموید (اختیاری) 07:42
-
پیادهسازی پسانتشار با قاعده زنجیرهای 04:54
-
درک چگونگی تأثیر w3 بر هزینه نهایی 06:09
-
محاسبه گرادیانها برای Z1 07:42
-
درک چگونگی تأثیر w1 و w2 بر هزینه 04:52
-
پیادهسازی دستی کاهش گرادیان 08:28
-
کدنویسی شبکه عصبی پیشرفته ما (پیادهسازی Forward Pass + هزینه) 06:50
-
کدنویسی شبکه عصبی پیشرفته ما بخش 2 (پیادهسازی پسانتشار) 10:10
-
کدنویسی شبکه عصبی پیشرفته ما بخش 3 (پیادهسازی کاهش گرادیان) 05:34
-
کدنویسی شبکه عصبی پیشرفته ما بخش 4 (آموزش شبکه عصبی ما) 08:15
-
مرور این بایت! None
مشخصات آموزش
ساخت یک شبکه عصبی ساده و یادگیری پسانتشار
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:None
- تعداد درس:42
- مدت زمان :05:00:00
- حجم :610.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy