توضیحات دوره
در دوره آموزش یادگیری عمیق در بیش از 5 ساعت به آموزش یادگیری عمیق (Learning Deep) و کاربرد آن در علم داده با رویکرد کاربردی و عملی بودن آموزش می پرداز یم.
یادگیری عمیق یا یادگیری ژرف، یکی از توسعه های محبوب یادگیری ماشین است که به بررسی موضوعات انتزاعی و اجرای آن توسط ماشین می پردازد. در یادگیری عمیق به وسیله یک تصویر و نمودار از گراف لایه ها ی مختلف در یک فرآیند، می توان به بخش های مختلف در حل مساله مورد نظر پرداخت. این حوزه از یادگیری ماشین که نزدیکی زیادی با مفاهیم شبکه های عصبی دارد، الگوریتمی را دنبال می کند که کمترین مرحله اجرا، بیشتری سرعت و کمترین هزینه را برای ماشین داشته باشد.
در این بخش پس از بررسی مفاهیم اولیه و تاریخچه ای کوتاه از یادگیری ماشین، نحوه ساخت یک الگوریتم خودکار یا به بیانی دقیق تر، یادگیری ماشین را می آموزید. پکیج های معروفی همچون Tensorflowو sklearn که بخش عمده فرآیندها ی یادگیری ماشین را پوشش می دهند، معرفی خواهد شد. همچنین با بررسی مثال هایی از دنیای واقعی، یک الگوریتم کاربردی را میساز یم. علاوه بر این ها با بررسی دقیق تر یک مجموعه داده در حوزه تشخیص تصویر به نام MNIST ، به بررسی گام های مختلف در طراحی الگوریتم و آماده سازی داده ها جهت ساخت یک الگوریتم یادگیری ماشین میپرداز یم .
اهداف دوره:
• آشنایی با شبکه ها ی عصبی
• نحوه ساخت یک شبکه عصبی از (Scratch) باNumPy
•آشنایی با 2.0 TensorFlow
• ورود عمیق تر در NN ها معرفی شبکه های عصبی عمیق
• بیش برازش(Overfitting)
• مقداردهی اولیه(Initialization)
• عمیق شدن در جدول شیب نزولی و برنامه های نرخ یادگیری
• پیش پردازش(Preprocessing)
• طبقه بندی در مجموعه داده هایMNIST
• مثال مورد تجاری و کسب وکار همچنین مفاهیم کاهش گرادیان، بیش برازش، پیش انتشار و ... که جزو اصلی تر ین مفاهیم در حوزه های شبکه ها ی عصبی و یادگیری ماشین محسوب می شود را به طور دقیق بررسی خواهیم کرد.
پیش نیاز های آموزش یادگیری عم یق (Learning Deep ) و کاربرد آن در علم داده:
دوره ی آموزش ریاضیات در علم داده پیش نیازها این دوره می باشد.
این دوره مناسب چه افرادی است ؟
• افراد علاقه مند به یادگیری مباحث حرفه ای علم داده از پایه تا پیشرفته
• افراد علاقه مند به مبحث یادگیری عمیق و یادگیری کاربرد آن در علم داده
• افراد علاقه مند به استفاده از علم داده برای تحلیل کسب وکار
• افراد علاقه مند به یادگیری مباحث یادگیری عمیق (Learning Deep )
یادگیری عمیق یا یادگیری ژرف، یکی از توسعه های محبوب یادگیری ماشین است که به بررسی موضوعات انتزاعی و اجرای آن توسط ماشین می پردازد. در یادگیری عمیق به وسیله یک تصویر و نمودار از گراف لایه ها ی مختلف در یک فرآیند، می توان به بخش های مختلف در حل مساله مورد نظر پرداخت. این حوزه از یادگیری ماشین که نزدیکی زیادی با مفاهیم شبکه های عصبی دارد، الگوریتمی را دنبال می کند که کمترین مرحله اجرا، بیشتری سرعت و کمترین هزینه را برای ماشین داشته باشد.
در این بخش پس از بررسی مفاهیم اولیه و تاریخچه ای کوتاه از یادگیری ماشین، نحوه ساخت یک الگوریتم خودکار یا به بیانی دقیق تر، یادگیری ماشین را می آموزید. پکیج های معروفی همچون Tensorflowو sklearn که بخش عمده فرآیندها ی یادگیری ماشین را پوشش می دهند، معرفی خواهد شد. همچنین با بررسی مثال هایی از دنیای واقعی، یک الگوریتم کاربردی را میساز یم. علاوه بر این ها با بررسی دقیق تر یک مجموعه داده در حوزه تشخیص تصویر به نام MNIST ، به بررسی گام های مختلف در طراحی الگوریتم و آماده سازی داده ها جهت ساخت یک الگوریتم یادگیری ماشین میپرداز یم .
اهداف دوره:
• آشنایی با شبکه ها ی عصبی
• نحوه ساخت یک شبکه عصبی از (Scratch) باNumPy
•آشنایی با 2.0 TensorFlow
• ورود عمیق تر در NN ها معرفی شبکه های عصبی عمیق
• بیش برازش(Overfitting)
• مقداردهی اولیه(Initialization)
• عمیق شدن در جدول شیب نزولی و برنامه های نرخ یادگیری
• پیش پردازش(Preprocessing)
• طبقه بندی در مجموعه داده هایMNIST
• مثال مورد تجاری و کسب وکار همچنین مفاهیم کاهش گرادیان، بیش برازش، پیش انتشار و ... که جزو اصلی تر ین مفاهیم در حوزه های شبکه ها ی عصبی و یادگیری ماشین محسوب می شود را به طور دقیق بررسی خواهیم کرد.
پیش نیاز های آموزش یادگیری عم یق (Learning Deep ) و کاربرد آن در علم داده:
دوره ی آموزش ریاضیات در علم داده پیش نیازها این دوره می باشد.
این دوره مناسب چه افرادی است ؟
• افراد علاقه مند به یادگیری مباحث حرفه ای علم داده از پایه تا پیشرفته
• افراد علاقه مند به مبحث یادگیری عمیق و یادگیری کاربرد آن در علم داده
• افراد علاقه مند به استفاده از علم داده برای تحلیل کسب وکار
• افراد علاقه مند به یادگیری مباحث یادگیری عمیق (Learning Deep )
نظرات