مسترکلاس یادگیری عمیق با تنسورفلو 2 با بیش از 20 پروژه

آنچه یاد خواهید گرفت:

• مبانی تانسورها و متغیرها با تنسورفلو
• مبانی تنسورفلو و آموزش شبکه‌های عصبی با تنسورفلو 2
• شبکه‌های عصبی کانولوشن برای تشخیص مالاریا
• ساخت مدل‌های پیشرفته‌تر تنسورفلو با API عملکردی، Subclassing مدل و لایه‌های سفارشی
• ارزیابی مدل‌های طبقه‌بندی با استفاده از متریک‌های مختلف مانند: دقت، یادآوری، صحت و امتیاز F1
• ارزیابی مدل طبقه‌بندی با ماتریس درهم‌ریختگی و منحنی ROC
• Callbacks تنسورفلو، زمانبندی نرخ یادگیری و چک‌پوینت‌گذاری مدل
• کاهش کم برازش و بیش برازش با Dropout، منظم‌سازی و افزایش داده‌
• افزایش داده‌ با تنسورفلو با استفاده از تصویر تنسورفلو و لایه‌های کراس
• استراتژی‌های پیشرفته افزایش داده‌ مانند Cutmix و Mixup
• افزایش داده‌ با Albumentations با تنسورفلو 2 و PyTorch
• زیان و متریک‌های سفارشی در تنسورفلو 2
• حالت‌های Eager و Graph در تنسورفلو 2
• حلقه‌های آموزش سفارشی در تنسورفلو 2
• یکپارچه‌سازی Tensorboard با تنسورفلو 2 برای لاگ کردن داده، مشاهده نمودارهای مدل، تیونینگ هایپرپارامترها و پروفایلینگ
• عملیات‌های یادگیری ماشینی (MLOps) با وزن‌ها و بایاس‌ها
• ردیابی تست با Wandb
• تیونینگ هایپرپارامترها با Wandb
• نسخه‌‌سازی مجموعه داده‌ با Wandb
• نسخه‌سازی مدل‌ با Wandb
• تشخیص احساسات انسانی
• شبکه‌های عصبی کانولوشن مدرن (Alexnet و Vggnet و Resnet و Mobilenet و EfficientNet)
• یادگیری انتقالی
• مصورسازی لایه‌های میانی convnet
• روش Grad-cam
• کلاسه‌بندی مدل و عدم توازن کلاس‌ها
• ترنسفرمرها در بینایی
• استقرار مدل
• تبدیل مدل از تنسورفلو به Onnx
• آموزش آگاهی از کوانتیزاسیون
• ساخت API با Fastapi
• استقرار API در ابر
• تشخیص اشیا از ابتدا با YOLO
• بخش‌بندی تصویر از ابتدا با مدل UNET
• شمارش افراد از ابتدا با Csrnet
• تولید رقم با رمزگذارهای خودکار واریاسونال (VAE)
• تولید چهره با شبکه‌های عصبی متخاصم مولد (GAN)
• تحلیل احساسات با شبکه‌های عصبی بازگشتی، مدل‌های توجه و ترنسفرمرها از ابتدا
• ترجمه ماشین عصبی با شبکه‌های عصبی بازگشتی، مدل‌های توجه و ترنسفرمرها از ابتدا
• طبقه‌بندی اینتنت با Deberta در ترنسفرمرهای Huggingface
• ترجمه ماشینی عصبی با T5 در ترنسفرمرهای Huggingface
• پاسخگویی به سوالات استخراجی با Longformer در ترنسفرمرهای Huggingface
• موتور جستجو تجارت الکترونیک با ترنسفرمرهای Sentence
• ژنراتور لیریک با GPT2 در ترنسفرمرهای Huggingface
• اصلاح خطای گرامری با T5 در ترنسفرمرهای Huggingface
• ربات ایلان ماسک با BlenderBot در ترنسفرمرهای Huggingface

پیش‌نیازهای دوره

• ریاضیات پایه
• دسترسی به یک اتصال اینترنتی، زیرا ما از Google Colab (نسخه رایگان) استفاده خواهیم کرد.
• دانش اولیه از پایتون

توضیحات دوره

یادگیری عمیق یکی از پرطرف‌دارترین زمینه‌ها در علوم کامپیوتر امروزی است. این حوزه کاربردهای بسیاری در دامنه‌های بسیار متنوع دارد. با انتشار مدل‌های کارآمدتر یادگیری عمیق در اوایل دهه 2010، شاهد پیشرفت‌های عظیمی در فناوری‌های مختلف مانند بینایی کامپیوتری، پردازش زبان طبیعی، تولید تصویر و پردازش سیگنال بوده‌ایم.

تقاضا برای مهندسان یادگیری عمیق به شدت در حال اوج گرفتن است و متخصصان این حوزه دستمزدهای بالایی دریافت می‌کنند، زیرا ارزشی که ارائه می‌دهند بسیار بالاست. با این حال، ورود به این حوزه آسان نیست. اطلاعات زیادی در این زمینه وجود دارد که بخشی از آنها قدیمی است و بیشتر آنها توجهی به مبتدیان نمی‌کنند.

در این دوره، شما را در یک سفر شگفت‌انگیز راهنمایی خواهیم کرد که در آن با یک رویکرد مرحله‌ای و پروژه محور، مهارت‌های مختلفی را یاد خواهید گرفت. شما از تنسورفلو 2 (محبوب‌ترین کتابخانه جهان برای یادگیری عمیق که توسط گوگل ساخته شده) و Huggingface استفاده خواهید کرد. ما با درک نحوه ساخت مدل‌های بسیار ساده (مانند مدل‌های رگرسیون خطی برای پیش‌بینی قیمت خودرو، classifiers متن برای نظرات فیلم‌ها و classifiers باینری برای پیش‌بینی مالاریا) با استفاده از تنسورفلو و ترنسفرمرهای Huggingface شروع کرده و به مدل‌های پیشرفته‌تر (مانند مدل‌های تشخیص اشیا با YOLO، مدل ژنراتور لیریک با GPT2 و تولید تصویر با GANs) می‌پردازیم.

پس از گذراندن دوره و انجام پروژه‌های مختلف، شما مهارت‌هایی را توسعه خواهید داد که برای ایجاد راه‌حل‌های مدرن یادگیری عمیق که شرکت‌های بزرگ با آنها مواجه می‌شوند، ضروری است.

آنچه یاد خواهید گرفت:

• مبانی تنسورفلو (تانسورها، ساخت مدل، آموزش و ارزیابی مدل)
• الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشن و ترنسفرمرهای بینایی
• ارزیابی مدل‌های طبقه‌بندی (دقت، یادآوری، صحت، امتیاز F1، ماتریس درهم‌ریختگی و منحنی ROC)
• کاهش بیش‌ برازش با افزایش داده‌
• مفاهیم پیشرفته تنسورفلو مانند زیان‌ها و متریک‌های سفارشی، حالت‌های Eager و Graph و حلقه‌های آموزش سفارشی و Tensorboard
• عملیات‌های یادگیری ماشین (MLOps) با وزن‌ها و بایاس‌ها (ردیابی تست، تیونینگ هایپرپارامترها، نسخه‌‌سازی داده‌ و نسخه‌سازی مدل‌)
• طبقه‌بندی باینری با تشخیص مالاریا
• طبقه‌بندی چندکلاسه با تشخیص احساسات انسانی
• یادگیری انتقالی با Convnets مدرن (Vggnet و Resnet و Mobilenet و Efficientnet) و ترنسفرمرهای بینایی (VITs)
• تشخیص اشیا با YOLO (فقط یک بار نگاه کنید.)
• بخش‌بندی تصویر با UNet
• شمارش افراد با Csrnet
• تولید رقم با رمزگذارهای خودکار واریاسونال
• تولید چهره با شبکه‌های عصبی متخاصم مولد
• پیش‌پردازش متن برای پردازش زبان طبیعی
• الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی بازگشتی، مدل‌های توجه، ترنسفومرها و شبکه‌های عصبی کانولوشن
• تحلیل احساسات با RNNs، ترنسفرمرها و ترنسفرمرهای Huggingface (Deberta)
• یادگیری انتقالی با Word2vec و ترنسفرمرهای مدرن (GPT و Bert و ULmfit و Deberta و T5 و غیره)
• ترجمه ماشینی با RNNs، مدل‌های توجه، ترنسفرمرها و ترنسفرمرهای Huggingface (T5)
• استقرار مدل (فرمت Onnx، کوانتیزاسیون، Fastapi و ابری Heroku)
• طبقه‌بندی اینتنت با Deberta در ترنسفرمرهای Huggingface
• ارتباط انتیتی نامگذاری شده با Roberta در ترنسفرمرهای Huggingface
• ترجمه ماشینی عصبی با T5 در ترنسفرمرهای Huggingface
• پاسخگویی به سوالات استخراجی با Longformer در ترنسفرمرهای Huggingface
• موتور جستجو تجارت الکترونیک با ترنسفرمرهای Sentence
• ژنراتور لیریک با GPT2 در ترنسفرمرهای Huggingface
• اصلاح خطای گرامری با T5 در ترنسفرمرهای Huggingface
• ربات ایلان ماسک با BlenderBot در ترنسفرمرهای Huggingface
• تشخیص گفتار با RNNs

اگر برای پیشرفت یک قدم جلوتر در حرفه خود هستید، این دوره برای شما طراحی شده و ما بسیار هیجان‌زده‌ایم که به شما در دستیابی به اهدافتان کمک کنیم.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان مبتدی پایتون که در اعمال یادگیری عمیق برای بینایی کامپیوتری و پردازش زبان طبیعی کنجکاو هستند.
• متخصصان یادگیری عمیق برای بینایی کامپیوتری که می‌خواهند به نحوه کارکرد آیتم‌ها در under the hood تسلط یابند.
• کسی که می‌خواهد به اصول یادگیری عمیق تسلط یافته و همچنین بهترین شیوه‌های بینایی کامپیوتری در تنسورفلو را تمرین کند.
• متخصصان بینایی کامپیوتری که می‌خواهند یاد بگیرند چگونه مدل‌های پیشرفته بینایی کامپیوتری با استفاده از یادگیری عمیق ساخته و آموزش داده می‌شوند.
• متخصاان پردازش زبان طبیعی که می‌خواهند یاد بگیرند چگونه مدل‌های پیشرفته NLP با استفاده از یادگیری عمیق ساخته و آموزش داده می‌شوند.
• کسی که می‌خواهد مدل‌های یادگیری ماشین را مستقر کند.
• یادگیرندگانی که می‌خواهند رویکرد عملی به یادگیری عمیق برای بینایی کامپیوتری، پردازش زبان طبیعی و شناسایی صدا داشته باشند.