یادگیری عمیق: GANs و خودرمزگذار متغیر

آنچه یاد خواهید گرفت:

• اصول اولیه مدل‌های مولد را یاد بگیرید.
• یک خودرمزگذار متغیر در Theano و Tensorflow بسازید.
• یک GAN (شبکه مولد تخاصمی) در Theano و Tensorflow بسازید.
• اصول مهم برای OpenAI ChatGPT ،GPT-4 ،DALL-E، Midjourney و Stable Diffusion را درک کنید.

پیش‌نیازهای دوره

• بدانید چگونه یک شبکه عصبی در Theano و یا Tensorflow بسازید.
• احتمالات
• حساب دیفرانسیل و انتگرال چندمتغیره
• Numpy و غیره

توضیحات دوره

تا حالا فکر کرده‌اید فناوری‌های هوش مصنوعی مانند OpenAI DALL-E ،Midjourney و Stable Diffusion واقعاً چگونه کار می‌کنند؟ در این دوره، اصول این اپلیکیشن های پیشگامانه را یاد خواهید گرفت.

خودرمزگذارهای متغیر و GANs در سال‌های اخیر دو مورد از جالب‌ترین پیشرفت‌ها در یادگیری عمیق و یادگیری ماشین بوده‌اند.

یان لکون، پیشگام یادگیری عمیق، گفته است که مهم‌ترین پیشرفت سال‌های اخیر، آموزش تخاصمی بوده است؛ او به GANها اشاره می‌کند.

GAN مخفف شبکه مولد تخاصمی است؛ جایی که ۲ شبکه عصبی با یکدیگر رقابت می‌کنند.

یادگیری بدون نظارت چیست؟

یادگیری بدون نظارت یعنی ما سعی نمی‌کنیم داده‌های ورودی را به اهداف نگاشت کنیم، بلکه فقط می‌خواهیم ساختار آن داده‌های ورودی را یاد بگیریم.

زمانی که آن ساختار را یاد گرفتیم، می‌توانیم کارهای بسیار جالبی انجام دهیم.

یک مثال تولید شعر است - ما در گذشته نمونه‌هایی از این کار را انجام داده‌ایم.

اما شعر چیز بسیار خاصی است؛ درباره نوشتن به طور کلی چطور؟

اگر بتوانیم ساختار زبان را یاد بگیریم، می‌توانیم هر نوع متنی را تولید کنیم. در واقع، شرکت‌های بزرگ سرمایه‌گذاری زیادی می‌کنند تا بررسی کنند چگونه اخبار می‌توانند توسط ماشین‌ها نوشته شوند.

اما اگر به شعر برگردیم و کلمات را حذف کنیم چه؟

خب، در آن صورت به طور کلی به هنر می‌رسیم.

با یادگیری ساختار هنر، می‌توانیم هنر بیشتری خلق کنیم.

در مورد هنر به عنوان صدا چطور؟

اگر ساختار موسیقی را یاد بگیریم، می‌توانیم موسیقی جدیدی خلق کنیم.

تصور کنید 40 آهنگ برتر رادیو که می‌شنوید، به جای انسان‌ها توسط ربات‌ها نوشته شده‌اند.

احتمالات بی‌پایان هستند!

شاید از خودتان بپرسید: "این دوره چه تفاوتی با اولین دوره یادگیری عمیق بدون نظارت دارد؟"

در آن دوره اول، ما همچنان سعی می‌کردیم ساختار داده را یاد بگیریم، اما دلایل متفاوت بود.

ما می‌خواستیم ساختار داده را یاد بگیریم تا آموزش نظارت شده را بهبود ببخشیم، که نشان دادیم امکان‌پذیر است.

در این دوره جدید، می‌خواهیم ساختار داده را یاد بگیریم تا چیزهای بیشتری تولید کنیم که به داده اصلی شباهت دارند.

این به خودی خود بسیار جذاب است، اما ما همچنین ایده‌هایی از یادگیری ماشین بیزی، یادگیری تقویتی و نظریه بازی‌ها را نیز ترکیب خواهیم کرد. این کار آن را حتی جذاب‌تر می‌کند!

"اگر نتوانید آن را پیاده‌سازی کنید، آن را درک نمی‌کنید"

• یا همان طور که فیزیکدان بزرگ، ریچارد فاینمن، گفت: "آنچه نمی‌توانم خلق کنم، درک نمی‌کنم".
• دوره‌های مدرس تنها دوره‌هایی هستند که در آنها یاد خواهید گرفت الگوریتم‌های یادگیری ماشین را از ابتدا پیاده‌سازی کنید.
• دوره‌های دیگر به شما یاد می‌دهند چگونه داده‌ خود را در یک کتابخانه وارد کنید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟
• بعد از انجام کار مشابه با 10 مجموعه داده، متوجه می‌شوید که 10 چیز یاد نگرفته‌اید. شما 1 چیز یاد گرفته‌اید، و فقط همان 3 خط کد را 10 بار تکرار کرده‌اید.

پیش‌نیازهای پیشنهادی:

• حساب دیفرانسیل و انتگرال
• احتمالات
• برنامه‌نویسی شیءگرا
• کدنویسی Python: if/else، حلقه‌ها، لیست‌ها، دیکشنری‌ها، مجموعه‌ها
• کدنویسی Numpy: عملیات ماتریسی و برداری
• رگرسیون خطی
• نزول گرادیانی
• بدانید چگونه یک شبکه عصبی پیش‌خور و کانولوشنی در Theano یا TensorFlow بسازید.

دوره‌های شما را با چه ترتیبی بگذرانید؟:

• به درس "نقشه راه پیش‌نیازهای یادگیری ماشین و هوش مصنوعی" مراجعه کنید (در بخش FAQ هر یک از دوره‌های مدرس از جمله دوره رایگان Numpy، موجود است)

ویژگی‌های منحصربه‌فرد

• هر خط کد با جزئیات توضیح داده شده است.
• هیچ وقت تلف شده‌ای برای "تایپ کردن" روی صفحه کلید مانند دوره‌های دیگر وجود ندارد - بیایید صادق باشیم، هیچ کس واقعاً نمی‌تواند در فقط 20 دقیقه از ابتدا، کدی بنویسد که ارزش یادگیری داشته باشد.
• از ریاضیات سطح دانشگاه نمی‌ترسد - جزئیات مهمی درباره الگوریتم‌ها دریافت می‌کنید که دوره‌های دیگر حذف می‌کنند.

این دوره برای چه کسانی مناسب است؟

• هر کسی که می‌خواهد دانش یادگیری عمیق خود را بهبود بخشد.