یادگیری عمیق: شبکه های عصبی کانولوشن در پایتون

آنچه یاد خواهید گرفت

• درک کانولوشن و اینکه چرا برای یادگیری عمیق مفید است
• درک و توضیح معماری شبکه عصبی کانولوشنال (CNN)
• پیاده سازی CNN در TensorFlow 2
• اعمال CNN در تسک های چالش برانگیز تشخیص تصویر
• اعمال CNN در پردازش زبان طبیعی (NLP) برای طبقه‌ بندی متن (مانند تشخیص هرزنامه، تحلیل احساسات)
• مبانی مهم OpenAI ChatGPT ،GPT-4 ،DALL-E ،Midjourney و Stable Diffusion را درک کنید.

پیش نیازهای دوره

• ریاضیات پایه (مشتق‌گیری، حساب ماتریس، احتمال) مفید است. پایتون، Numpy، کتابخانه Matplotlib

 توضیحات دوره

آیا تا به حال به این فکر کرده‌اید که فناوری‌های هوش مصنوعی مانند OpenAI ChatGPT ،GPT-4 ،DALL-E ،Midjourney و Stable Diffusion واقعاً چگونه کار می‌کنند؟ در این دوره، مبانی این برنامه‌های پیشگامانه را خواهید آموخت.

شما در این دوره با یکی از قدرتمندترین معماری های یادگیری عمیق آشنا می شوید

شبکه عصبی کانولوشن (CNN) برای به دست آوردن نتایج پیشرفته در تسک های بینایی کامپیوتری مانند تشخیص شی، بخش بندی تصویر، و تولید تصاویر واقعی از افراد و چیزهایی که در دنیای واقعی وجود ندارند، استفاده می شود.

این دوره اصول کانولوشن و اینکه چرا برای یادگیری عمیق و حتی NLP (پردازش زبان طبیعی) مفید است را به شما آموزش می دهد.

شما با تکنیک های مدرن مانند افزایش داده و نرمال سازی دسته ای آشنا خواهید شد و معماری های مدرن مانند VGG را خودتان می سازید.

این دوره به شما موارد زیر را آموزش خواهد داد:

• مبانی یادگیری ماشین و نورون‌ها (فقط یک مرور برای آماده شدن شما!)
• شبکه‌های عصبی برای طبقه‌بندی و رگرسیون (فقط یک مرور برای آماده شدن شما!)
• نحوه مدل‌سازی داده‌های تصویر در کد
• نحوه مدل‌سازی داده‌های متن برای پردازش زبان طبیعی (شامل مراحل پیش‌پردازش برای متن)
• نحوه ساخت یک CNN با استفاده از Tensorflow 2
• نحوه استفاده از نرمال‌سازی دسته‌ای و منظم‌سازی dropout در Tensorflow 2
• نحوه انجام طبقه‌بندی تصویر در Tensorflow 2
• نحوه انجام پیش‌پردازش داده‌ها برای مجموعه داده‌های تصویر سفارشی خود
• نحوه استفاده از Embeddings در Tensorflow 2 برای پردازش زبان طبیعی
• نحوه ساخت یک CNN طبقه‌بندی متن برای پردازش زبان طبیعی (مثال‌ها: تشخیص هرزنامه، تحلیل احساسات، برچسب‌گذاری اجزای کلام، تشخیص موجودیت‌های نام‌دار)

تمامی مطالب مورد نیاز این دوره به صورت رایگان قابل دانلود و نصب است. ما بیشتر کارهایمان را در Numpy ،Matplotlib و Tensorflow انجام خواهیم داد.

این دوره نه فقط بر روی «نحوه استفاده» بلکه بر روی «چگونگی ساخت و درک» تمرکز دارد. هر کسی می تواند پس از خواندن برخی از اسناد، استفاده از API را در 15 دقیقه یاد بگیرد. این دوره در مورد "به خاطر سپردن موضوعات" نیست، بلکه ارزیابی میزان دانش خود از طریق آزمایش است. این دوره به شما یاد می دهد که چگونه آنچه را که در داخل مدل اتفاق می افتد مصورسازی کنید. اگر بیش از یک آشنایی اجمالی از مدل های یادگیری ماشینی می خواهید، این دوره برای شما مناسب است.

پیش نیازهای پیشنهادی:

• جمع و ضرب ماتریسی
• احتمال پایه (شرطی ها و توزیع مشترک)
• کدنویسی پایتون: if / else، لوپ ها، لیست‌ ها، دستورات، مجموعه‌ ها
• کدنویسی Numpy: عملیات ماتریسی و برداری، بارگذاری فایل CSV

این دوره برای چه کسانی مناسب است:

• دانشجویان، متخصصان و هر کس دیگری که به یادگیری عمیق، بینایی کامپیوتری یا NLP علاقه دارد.
• مهندسان نرم افزار و دانشمندان داده که می خواهند سطح شغلی خود را ارتقا دهند.