اصول یادگیری عمیق برای هوش مصنوعی و Gen AI

آنچه یاد خواهید گرفت:

• ارائه درکی جامع از مفاهیم و کاربردهای یادگیری عمیق، هم در هوش مصنوعی سنتی و هم در Gen AI (Gen AI)
• تسلط به مکانیک‌های اصلی یک شبکه عصبی، شامل عملکردهای عبور رو به جلو و مکانیزم یادگیری پس‌انتشار
• پیاده‌سازی و تفسیر مدل‌های یادگیری عمیق با استفاده از ابزارهای عملی (TensorFlow Playground) برای درک پارامترها و فرآیند یادگیری شبکه
• تحلیل و به‌کارگیری معماری‌های مدل‌سازی توالی، بررسی نیاز به RNNها و LSTMها و عملکرد داخلی آن‌ها برای مدیریت داده‌های متوالی طولانی
• بخش دوم، مدل‌های Attention، ترنسفورمرها و GPT را پوشش می‌دهد.

پیش‌نیازهای دوره

• ریاضیات، برنامه‌نویسی و مفاهیم اساسی یادگیری ماشین

توضیحات دوره

این دوره برنامه درسی قوی‌ای را درباره اصول بنیادی یادگیری عمیق (DL) و نقش اساسی آن در چشم‌انداز (Generative AI (Gen AI ارائه می‌دهد. مسیر یادگیری با تعریف مسیر به سمت Gen AI آغاز می‌شود و به سوالات کلیدی مانند «یادگیری عمیق چیست؟» و «چرا اصولی برای Gen AI است؟» پاسخ می‌دهد. بخش اصلی دوره بر تفاوت‌های نظری و عملی بین یادگیری ماشین و یادگیری عمیق تمرکز دارد.

بخش قابل توجهی از دوره به مکانیک یک شبکه عصبی اختصاص داده شده است و جزئیات فرآیندهای عبور رو به جلو و الگوریتم یادگیری حیاتی، یعنی پس‌انتشار را شرح می‌دهد. فراگیران از طریق تمرین عملی با TensorFlow playground و یک شبیه‌ساز شبکه، درکی عمیق از پارامترها و مکانیزم یادگیری به دست خواهند آورد.

برنامه درسی سپس به کاربردهای حیاتی، به ویژه مدل‌سازی توالی پیش می‌رود. چالش‌های مدیریت داده‌های متوالی بررسی شده و نیاز به معماری‌های تخصصی مانند شبکه‌های عصبی بازگشتی (RNN) و حافظه کوتاه-مدت طولانی (LSTM) توجیه می‌شود. این دوره عملکرد داخلی RNN و LSTM را به طور کامل توضیح می‌دهد و تمرکز مدرس بر این است که چرا این مدل‌ها برای مدیریت و پردازش موثر توالی‌های طولانی به حافظه نیاز دارند. این آموزش مجموعه مهارتی کاملی را در هر دو زمینه مبانی DL و پردازش توالی پیشرفته به دانشجویان ارائه می‌دهد. این قسمت اول از این سری آموزشی است. قسمت بعدی بر مدل‌های Attention، ترنسفورمرها و GPT تمرکز خواهد داشت.

این دوره برای چه کسانی مناسب است؟

• دانشجویان، متخصصان شاغل، فارغ‌التحصیلان جدید، اعضای هیئت علمی