یادگیری عمیق بدون نظارت در پایتون

آنچه یاد خواهید گرفت:

• درک تئوری پشت تحلیل مولفه‌های اصلی (PCA)
• دانستن اینکه چرا PCA برای کاهش ابعاد، مصورسازی، همبستگی‌زدایی و حذف نویز مفید است
• استخراج الگوریتم PCA به صورت دستی
• نوشتن کد برای PCA
• درک تئوری پشت t-SNE
• استفاده از t-SNE در کد
• درک محدودیت‌های PCA و t-SNE
• درک تئوری پشت Autoencoderها
• نوشتن یک Autoencoder در Theano و Tensorflow
• درک چگونگی استفاده از Autoencoderهای پشته‌ای در یادگیری عمیق
• نوشتن یک Autoencoder حذف نویز پشته‌ای در Theano و Tensorflow
• درک تئوری پشت ماشین‌های بولتزمن محدود (RBMs)
• درک اینکه چرا آموزش RBMها دشوار است
• درک الگوریتم واگرایی تقابلی برای آموزش RBMها
• نوشتن RBM و شبکه باور عمیق (DBN) خودتان در Theano و Tensorflow
• مصورسازی و تفسیر ویژگی‌های یاد گرفته شده توسط Autoencoderها و RBMها
• درک اصو مهم برای OpenAI ChatGPT ،GPT-4 ،DALL-E Midjourney و Stable Diffusion

پیش نیازهای دوره

• دانش حساب دیفرانسیل و انتگرال و جبر خطی
• مهارت‌های کدنویسی پایتون
• مقداری تجربه با Numpy ،Theano و Tensorflow
• دانستن چگونگی استفاده از کاهش گرادیان برای آموزش مدل‌های یادگیری ماشین
• نصب Python ،Numpy و Theano
• مقداری دانش آمار و احتمالات
• توانایی کدنویسی یک شبکه عصبی پیش‌خور در Theano یا Tensorflow

توضیحات دوره

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

این دوره گام منطقی بعدی در سری یادگیری عمیق، علم داده و یادگیری ماشین مدرس است. مدرس دوره‌های زیادی درباره یادگیری عمیق برگزار کرده است و به تازگی دوره‌ای درباره یادگیری بدون نظارت منتشر کرده که در آن درباره خوشه‌بندی و تخمین چگالی صحبت کرده است. پس وقتی این دو را کنار هم بگذارید چه چیزی به دست می‌آورید؟ یادگیری عمیق بدون نظارت!

در این دوره ما با مباحث بسیار پایه‌ای شروع خواهیم کرد - تحلیل مولفه‌های اصلی (PCA) و یک تکنیک محبوب کاهش ابعاد غیرخطی معروف به t-SNE (تعبیه همسایه تصادفی با توزیع t).

سپس، به نوع خاصی از شبکه عصبی بدون نظارت به نام Autoencoder نگاه خواهیم کرد. پس از توصیف چگونگی کار یک Autoencoder، مدرس به شما نشان خواهد داد که چگونه می‌توانید تعدادی از آن‌ها را به هم متصل کنید تا یک پشته عمیق از Autoencoderها تشکیل دهید که منجر به عملکرد بهتر یک شبکه عصبی عمیق با نظارت می‌شود. Autoencoderها مانند فرم غیرخطی PCA هستند.

در نهایت، به ماشین‌های بولتزمن محدود (RBMs) نگاه خواهیم کرد. این‌ها یکی دیگر از شبکه‌های عصبی بدون نظارت محبوب هستند که می‌توانید از آن‌ها مانند Autoencoderها برای پیش‌آموزش شبکه عصبی عمیق با نظارت خود استفاده کنید. مدرس روش جالبی برای آموزش ماشین‌های بولتزمن محدود به نام نمونه‌برداری گیبس را به شما نشان خواهد داد که یک مورد خاص از Markov Chain Monte Carlo است، و نشان خواهد داد که چگونه با وجود اینکه این روش تنها یک تقریب تقریبی است، اما در نهایت منجر به کاهش توابع هزینه دیگر، مانند آنچه برای Autoencoderها استفاده می‌شود، می‌گردد. این روش همچنین به عنوان واگرایی تقابلی یا CD-k شناخته می‌شود. همانند سیستم‌های فیزیکی، ما مفهومی به نام انرژی آزاد تعریف می‌کنیم و تلاش می‌کنیم این کمیت را به حداقل برسانیم.

در پایان، همه این مفاهیم را گرد هم می‌آوریم و مدرس به صورت تصویری به شما نشان خواهد داد که وقتی از PCA و t-SNE روی ویژگی‌هایی که Autoencoderها و RBMها یاد گرفته‌اند استفاده می‌کنید چه اتفاقی می‌افتد، و خواهیم دید که حتی بدون برچسب‌ها، نتایج نشان می‌دهند که الگویی پیدا شده است.

تمام مواد استفاده شده در این دوره رایگان هستند. از آنجا که این دوره چهارمین دوره در سری یادگیری عمیق است، فرض بر این است که شما قبلاً حساب دیفرانسیل و انتگرال، جبر خطی و کدنویسی پایتون را می‌دانید. شما باید Numpy ،Theano و Tensorflow را برای این دوره نصب کنید. این‌ها اقلام ضروری در جعبه ابزار تحلیل داده شما هستند.

اگر به یادگیری عمیق علاقه‌مند هستید و می‌خواهید درباره تحولات مدرن یادگیری عمیق فراتر از پس‌انتشار ساده بیاموزید، از جمله استفاده از شبکه‌های عصبی بدون نظارت برای تفسیر ویژگی‌هایی که می‌توانند به طور خودکار و سلسله‌مراتبی در یک سیستم یادگیری عمیق یاد گرفته شوند، این دوره برای شماست.

این دوره بر "چگونگی ساخت و درک" تمرکز دارد، نه فقط "چگونگی استفاده". هر کسی می‌تواند استفاده از یک API را در 15 دقیقه پس از خواندن برخی مستندات یاد بگیرد. مسئله درباره "به خاطر سپردن حقایق" نیست، بلکه درباره "دیدن برای خود" از طریق آزمایش است. این دوره به شما خواهد آموخت که چگونه آنچه را که در داخل مدل اتفاق می‌افتد مصورسازی کنید. اگر شما بیشتر از فقط یک نگاه سطحی به مدل‌های یادگیری ماشین می‌خواهید، این دوره برای شماست.

"اگر نمی‌توانید آن را پیاده‌سازی کنید، آن را نمی‌فهمید"

• یا همانطور که فیزیکدان بزرگ ریچارد فاینمن گفت: "آنچه را که نتوانم خلق کنم، نمی‌فهمم".
• دوره‌های من تنها دوره‌هایی هستند که در آن‌ها یاد خواهید گرفت چگونه الگوریتم‌های یادگیری ماشین را از پایه پیاده‌سازی کنید.
• سایر دوره‌ها به شما یاد می‌دهند چگونه داده‌های خود را در یک کتابخانه وارد کنید، اما آیا واقعاً به کمک برای 3 خط کد نیاز دارید؟
• بعد از انجام همان کار با 10 مجموعه داده، متوجه می‌شوید که 10 چیز یاد نگرفته‌اید. شما 1 چیز یاد گرفتید و فقط همان 3 خط کد را 10 بار تکرار کردید...

پیش‌نیازهای پیشنهادی:

• حساب دیفرانسیل و انتگرال
• جبر خطی
• احتمالات
• کدنویسی پایتون: if/else، حلقه‌ها، لیست‌ها، دیکشنری‌ها، مجموعه‌ها
• کدنویسی Numpy: عملیات ماتریس و بردار، بارگذاری فایل CSV
• توانایی نوشتن یک شبکه عصبی پیش‌خور در Theano یا Tensorflow

دوره‌های مدرس را به چه ترتیبی باید بگذرانید؟:

• درس "نقشه راه پیش‌نیاز یادگیری ماشین و هوش مصنوعی" را بررسی کنید.

این دوره برای چه کسانی مناسب است؟

• دانشجویان و متخصصانی که به دنبال بهبود کارنامه یادگیری عمیق خود هستند.
• دانشجویان و متخصصانی که می‌خواهند قابلیت‌های آموزش شبکه‌های عصبی عمیق را بهبود بخشند.
• دانشجویان و متخصصانی که می‌خواهند درباره تحولات مدرن‌تر در یادگیری عمیق بیاموزند.