مقدمه‌ای بر یادگیری عمیق

آنچه یاد خواهید گرفت:

• استفاده از روش‌های مختلف بهینه‌سازی در حین آموزش و توضیح رفتارهای متفاوت آن‌ها
• استفاده از ابزارهای ابری و کتابخانه‌های یادگیری عمیق برای پیاده‌سازی معماری CNN و آموزش آن برای تسک های طبقه‌بندی تصویر
• به‌کارگیری بسته‌ی یادگیری عمیق روی داده‌های توالی‌، ساخت مدل‌ها، آموزش و تیونینگ پارامترها

توضیحات دوره

یادگیری عمیق تکنیک اصلی و پرکاربرد در بسیاری از حوزه‌ها، از پردازش زبان طبیعی گرفته تا زیست پزشکی است. این فناوری توانایی کار با انواع مختلف داده‌ها، از جمله تصاویر، متن‌ها، voice/sound، نمودارها و موارد دیگر را دارد. در این دوره، مباحث پایه‌ای یادگیری عمیق شامل ساخت و آموزش شبکه‌های چندلایه پرسپترون، شبکه‌های عصبی کانولوشن، شبکه‌های عصبی بازگشتی (RNN)، بررسی autoencoders (AE) و شبکه مولد تخاصمی (GANs) بررسی خواهد شد. این دوره شامل چند پروژه عملی از جمله تشخیص سرطان با CNN، تحلیل توییت‌های حاوی بلایای طبیعی با RNN و تولید تصاویر سگ با GANها است. 

دانش برنامه‌نویسی یا اسکریپت‌نویسی قبلی الزامی است. در طول دوره، به شدت از زبان پایتون استفاده خواهیم کرد. پیشنهاد می‌شود دوره‌های قبلی این رشته در حوزه‌ی تخصصی، «مقدمه‌ای بر یادگیری ماشین: الگوریتم‌های تحت نظارت و بدون نظارت» را گذرانده باشید، هرچند لازم نیست. مهارت‌های ریاضی در سطح دانشگاه، شامل حسابان و جبر خطی، مورد نیاز است. برخی قسمت‌های دوره، نسبتاً ریاضی‌محور هستند.