یادگیری نظارت شده برای هوش مصنوعی با پایتون و Tensorflow 2

آنچه یاد خواهید گرفت:

• مبانی یادگیری نظارت شده: پارامترها چیستند، گره بایاس چیست، چرا از نرخ یادگیری استفاده می‌کنیم؟
• تکنیک‌های کار با داده: چگونگی تقسیم مجموعه‌داده‌، کدگذاری One-hot، مدیریت مقادیر از دست رفته
• بردارها، ماتریس‌ها و ایجاد کد سریع‌تر با استفاده از برداری‌سازی
• مفاهیم ریاضیاتی مانند بهینه‌سازی، مشتقات و گرادیان کاهشی
• درک عمیق از اصول شبکه‌های عصبی پیشخور، کانولوشنی و بازگشتی
• ساخت شبکه‌های عصبی پیشخور، کانولوشنی و بازگشتی تنها با استفاده از اصول پایه
• چگونگی استفاده از Tensorflow 2.0 و Keras برای ساخت مدل‌ها، ایجاد TFRecords و ذخیره و بارگذاری مدل‌ها
• پروژه عملی: انتقال سبک - استفاده از هوش مصنوعی برای کشیدن یک تصویر به سبک هنرمند مورد علاقه شما
• پروژه عملی: تشخیص آبجکت - استفاده از هوش مصنوعی برای تشخیص موقعیت جعبه مرزی آبجکت های درون تصاویر
• پروژه عملی: انتقال یادگیری - یادگیری بهره‌برداری از مدل‌های هوش مصنوعی از پیش آموزش دیده بزرگ برای کار روی مجموعه‌داده جدید
• پروژه عملی: یادگیری تک‌نمونه‌ای - یادگیری ساخت مدل‌های هوش مصنوعی برای انجام تسک هایی مانند تشخیص چهره
• پروژه عملی: تولید متن - ساخت یک مدل هوش مصنوعی برای تولید متن مشابه رومئو و ژولیت
• پروژه عملی: طبقه‌بندی احساسات - ساخت یک مدل هوش مصنوعی برای تشخیص کلی منفی یا مثبت بودن متن
• پروژه عملی: مدل توجه - ساخت یک مدل توجه برای ایجاد یک مدل هوش مصنوعی قابل تفسیر

پیش‌نیازهای دوره

• ریاضیات سطح متوسطه (دبیرستان)
• کمی تجربه برنامه‌نویسی اولیه در پایتون

توضیحات دوره

با مطالعه اصول و پیاده‌سازی آن‌ها در NumPy، درکی عمیق از تکنیک‌های یادگیری نظارت شده به دست آورید.

تجربه عملی با استفاده از فریم‌ورک‌های محرب یادگیری عمیق مانند Tensorflow 2 و Keras کسب کنید.

بخش 1 - مبانی:

• یادگیری نظارت شده در زمینه هوش مصنوعی چیست؟
• تفاوت بین مدل‌های پارامتری و غیرپارامتری
• یادگیری مبانی: وزن‌ها و بایاس‌ها، توابع آستانه و نرخ‌های یادگیری
• مقدمه‌ای بر تکنیک برداری‌سازی برای کمک به سرعت بخشیدن به کد پیاده‌سازی شده توسط خودمان
• یادگیری پردازش داده واقعی: مقیاس‌بندی ویژگی‌ها، تقسیم داده، کدگذاری One-hot و مدیریت داده از دست رفته
• طبقه‌بندی در مقابل رگرسیون

بخش 2 - شبکه‌های پیشخور:

• یادگیری الگوریتم بهینه‌سازی گرادیان کاهشی
• پیاده‌سازی مدل رگرسیون لجستیک با استفاده از NumPy
• پیاده‌سازی یک شبکه پیشخور با استفاده از NumPy
• یادگیری تفاوت بین طبقه‌بندی چندوظیفه‌ای و چندکلاسی
• درک مسئله گرادیان محو شونده
• بیش‌برازش
• بچینگ و بهینه‌سازهای مختلف (Momentum ،RMSprop ،Adam)

بخش 3 - شبکه‌های عصبی کانولوشنی:

• اصول مانند فیلترها، Padding ،Stride و تغییر شکل
• پیاده‌سازی یک شبکه عصبی کانولوشنی با استفاده از NumPy
• معرفی Tensorflow 2 و Keras
• افزایش داده برای کاهش بیش‌برازش
• درک و پیاده‌سازی یادگیری انتقالی برای نیاز به داده کمتر
• تحلیل مدل‌های طبقه‌بندی آبجکت با استفاده از حساسیت انسداد
• تولید هنر با استفاده از انتقال سبک
• یادگیری تک‌نمونه‌ای برای تأیید هویت چهره و تشخیص چهره
• انجام تشخیص آبجکت برای تصاویر جریان خون

بخش 4 - داده ترتیبی

• درک داده ترتیبی و زمان مدل‌سازی داده به عنوان داده ترتیبی
• پیاده‌سازی یک شبکه عصبی بازگشتی با استفاده از NumPy
• پیاده‌سازی LSTM و GRU در Tensorflow 2/Keras
• طبقه‌بندی احساسات از مبانی تا تکنیک‌های پیشرفته‌تر
• درک تعبیه های واژه
• تولید متن مشابه رومئو و ژولیت
• پیاده‌سازی یک مدل توجه با استفاده از Tensorflow 2/Keras

این دوره برای چه کسانی مناسب است؟

• برنامه‌نویسان مبتدی پایتون که کنجکاو درباره هوش مصنوعی هستند.
• افرادی که به دنبال یک دوره هوش مصنوعی هستند که هم جنبه‌های نظری و هم عملی هوش مصنوعی را آموزش می‌دهد.