یادگیری عمیق در عمل - بخش 1: مبانی Tensorflow و مجموعه‌های داده

آنچه یاد خواهید گرفت:

• توسعه پروژه‌های پیچیده یادگیری عمیق
• سازماندهی و ساختاربندی کارآمد پروژه‌های یادگیری عمیق.
• توسعه کتابخانه‌های قابل استفاده مجدد برای کاهش زمان توسعه پروژه‌های یادگیری عمیق
• درک چگونگی انجام آموزش کارآمد برای پروژه‌های طبقه‌بندی
• ارزیابی عملکرد مدل‌های یادگیری عمیق
• بارگذاری مجموعه‌های داده در آرایه Numpy به روش‌های مختلف
• اجرای آموزش بر روی ماشین محلی و Google Colab
• طراحی یک مجموعه داده از مرحله جمع‌آوری داده‌ها تا مجموعه داده پارتیشن‌بندی شده HDF5

پیش‌نیازهای دوره

• درک مفاهیم اولیه یادگیری ماشین (توصیه می‌شود، اما الزامی نیست).
• آشنایی با زبان برنامه‌نویسی Python و ساختارهای داده (Numpy ،Pandas)
• درک مفاهیم اولیه شبکه‌های عصبی (توصیه می‌شود، اما الزامی نیست).

توضیحات دوره

• آیا می‌خواهید شروع به توسعه راهکارهای یادگیری عمیق کنید، اما نمی‌خواهید زمان خود را صرف ریاضیات و تئوری کنید؟
• آیا می‌خواهید پروژه‌های یادگیری عمیق انجام دهید، اما دردسرهای برنامه‌نویسی خسته‌کننده را دوست ندارید؟
• آیا می‌خواهید فرآیندی خودکار برای توسعه راهکارهای یادگیری عمیق داشته باشید؟

پس این دوره برای شما طراحی شده است! به «یادگیری عمیق در عمل» خوش آمدید، بدون دردسر!

این دوره اولین دوره از سری دوره‌های یادگیری عمیق در عمل اثر Anis Koubaa است، یعنی:

• یادگیری عمیق در عمل 1: مبانی Tensorflow 2 و طراحی مجموعه داده (این دوره): دانشجو اصول انجام یک پروژه طبقه‌بندی با استفاده از شبکه‌های عصبی عمیق را می‌آموزد، سپس یاد می‌گیرد که چگونه یک مجموعه داده برای پروژه‌های یادگیری عمیق حرفه‌ای در سطح صنعتی طراحی کند.
• یادگیری عمیق در عمل 2: یادگیری انتقالی و ارزیابی مدل‌ها: دانشجو یاد می‌گیرد که چگونه پروژه‌های پیچیده یادگیری عمیق را مدیریت کند و با استفاده از یادگیری انتقالی و چندین الگوریتم پیشرفته CNN مدل‌ها را توسعه دهد. او می‌آموزد که چگونه پروژه‌های قابل استفاده مجدد توسعه دهد و چگونه نتایج مدل‌های مختلف یادگیری عمیق را به روشی خودکار مقایسه کند.
• یادگیری عمیق در عمل 3: تشخیص چهره. دانشجو یاد می‌گیرد که چگونه یک برنامه تشخیص چهره در Tensorflow و Keras بسازد.

یادگیری عمیق در عمل 1: مبانی و طراحی مجموعه داده

دوره‌ها و آموزش‌های زیادی در مورد یادگیری عمیق وجود دارد. با این حال، یافتن برخی مهارت‌های عملی در این حجم عظیم از منابع یادگیری عمیق دشوار است و ممکن است فرد زمان زیادی را صرف به دست آوردن این مهارت‌های عملی کند.

این دوره این شکاف را پر می‌کند و مجموعه‌ای از سخنرانی‌های عملی همراه با پروژه‌های کاربردی را ارائه می‌دهد که از طریق آن‌ها، مدرس بهترین روش‌هایی را که متخصصان یادگیری عمیق برای انجام پروژه‌ها باید بدانند، معرفی می‌کند.

مدرس افراد زیادی را دیده است که پروژه‌های یادگیری عمیق را توسعه می‌دهند، اما موفق نمی‌شوند پروژه‌های خود را سازماندهی شده و قابل استفاده مجدد برای سایر پروژه‌ها بسازند. این امر منجر به از دست دادن زمان زیادی هنگام سوئیچ کردن از یک پروژه به پروژه‌های دیگر می‌شود. در این دوره، مدرس چندین نکته را برای ساختاربندی کارآمد پروژه‌های یادگیری عمیق ارائه می‌دهد که باعث می‌شود به جای از دست دادن زمان برای پردازش دستی داده‌های جمع‌آوری شده از مدل‌های یادگیری عمیق، نتایج را با یک کلیک ساده تولید کنید.

پروژه‌های عملی، کل چرخه پروژه‌های یادگیری عمیق را از جمع‌آوری داده‌ها، تا بارگذاری داده‌ها، پیش‌پردازش، آموزش و ارزیابی به تفصیل توضیح می‌دهند.

در پایان دوره، شما قادر خواهید بود پروژه‌های یادگیری عمیق را در زمان بسیار کوتاهی با مجموعه‌ای جامع از نتایج و مصورسازی‌ها طراحی کنید.

این دوره برای چه کسانی مناسب است؟

• کسی که مفاهیم یادگیری عمیق را آموخته است، اما می‌خواهد به جنبه‌های عملی پروژه‌های یادگیری عمیق مسلط شود.
• دانشجویان دکتری و کارشناسی ارشد که پایان‌نامه‌ای در زمینه یادگیری عمیق انجام می‌دهند.
• هر علاقه‌مند به هوش مصنوعی و یادگیری عمیق
• متخصصان بینایی ماشین
• هر کسی که دوست دارد در مورد بهترین شیوه ها در یادگیری عمیق بیاموزد.
• هر کسی که دوست دارد سریعاً یادگیری عمیق را بدون داشتن پیش‌زمینه در آن شروع کند.