تماس بگیرید

021-91070473


آموزش یادگیری عمیق ( Deep Learning) و کاربرد آن در علم داده

تعداد فصل ها
13 فصل
مدت دوره
6 ساعت
تعداد جلسات
78 جلسه
مدرس دوره
ویده آل VIDEALL
345000 تومان
345000 تومان

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 )

جلسات دوره

آشنایی با شبکه های عصبی
5 دقیقه
آموزش مدل
4 دقیقه
انواع یادگیری ماشین (Machine Learning)
4 دقیقه
مدل خطی (نسخه جبری خطی)
4 دقیقه
مدل خطی با ورودی های چندگانه
3 دقیقه
مدل خطی با چندین ورودی و چندین خروجی
5 دقیقه
نمایش گرافیکی شبکه های عصبی ساده
3 دقیقه
تابع هدف(Objective Function) چیست؟
2 دقیقه
توابع هدف مشترک: از بین رفتن نرُمL2
3 دقیقه
توابع هدف مشترک: از بین بردن آنتروپی
5 دقیقه
طرح کلیTensorFlow و مقایسه آن با سایر کتابخانه ها
4 دقیقه
TensorFlow 1 در مقابل TensorFlow 2
3 دقیقه
مثال اساسی NN (قسمت 1)
4 دقیقه
مثال اساسی NN (قسمت 1)
4 دقیقه
مثال اساسی NN (قسمت 1)
4 دقیقه
مثال اساسی NN (قسمت 2)
6 دقیقه
مثال اساسی NN (قسمت 3)
4 دقیقه
مثال اساسی NN (قسمت 4)
9 دقیقه
آشنایی با TensorFlow 2.0
6 دقیقه
نکته ای درباره سینتکسTensorFlow 2
2 دقیقه
انواع فرمت های فایل پشتیبانی کنندهTensorFlow
3 دقیقه
طرح کلی مدل باTensorFlow 2
7 دقیقه
تفسیر نتیجه و استخراج اوزان (Weights) و بایاس (Bias)
5 دقیقه
سفارشی کردن یک مدل TensorFlow 2
4 دقیقه
لایه چیست؟
3 دقیقه
Deep Net چیست؟
3 دقیقه
عمیق تر شدن در یک Deep Net
6 دقیقه
غیرخطی بودن و هدف آنها
4 دقیقه
توابع فعال سازی (Activation Functions)
4 دقیقه
توابع فعال سازی: فعال سازی (Softmax)
4 دقیقه
پس انتشار (Backpropagation)
4 دقیقه
تصویر پس انتشار (Backpropagation)
4 دقیقه
بیش برازش (Overfitting) چیست؟
5 دقیقه
بیش برازش(Overfitting) ، کم برازش(Underfitting) برای طبقه بندی
3 دقیقه
اعتبار سنجی چیست؟
4 دقیقه
آموزش، اعتبار سنجی، تست مجموعه ها
3 دقیقه
اعتبار سنجی N-Fold
4 دقیقه
توقف زودهنگام با زمان توقف آموزش
6 دقیقه
انواع پیش پردازش پایه و اساسی
2 دقیقه
استاندارد سازی (Standardization)
5 دقیقه
استاندارد سازی (Standardization)
5 دقیقه
پیش پردازش داده های دسته ای
3 دقیقه
مقداردهی اولیه (Initialization) چیست؟
4 دقیقه
انواع مقداردهی اولیه (Initialization) ساده
4 دقیقه
پیشرفته ترین روش (Xavier) - مقداردهی اولیه گلروت (Glorot Initialization)
3 دقیقه
کاهش گرادیان تصادفی (Stochastic Gradient Descent)
4 دقیقه
مشکلات کاهش شیب دار (Gradient Descent)
3 دقیقه
اندازه حرکت (Momentum)
3 دقیقه
برنامه های نرخ یادگیری (Learning Rate) یا نحوه انتخاب نرخ یادگیری بهینه
5 دقیقه
برنامه های نرخ یادگیری تصویرسازی شده
2 دقیقه
برنامه های نرخ یادگیری تطبیقی (AdaGrad و RMSprop)
5 دقیقه
(Adam) برآورد لحظه تطبیقی
3 دقیقه
مقدمه پیش پردازش
4 دقیقه
رمزگذاریBinary و One-Hot
4 دقیقه
مجموعه داده
3 دقیقه
نحوه بررسی باMNIST
4 دقیقه
وارد کردن بسته های مرتبط و بارگذاری داده ها
3 دقیقه
پیش پردازش داده ها - ایجاد یک مجموعه اعتبار سنجی و مقیاس بندی کردن آن
5 دقیقه
پیش پردازش داده ها - تغییر شکل و دسته ای
7 دقیقه
طرح کلی مدل
6 دقیقه
انتخاب Loss و Optimizer
3 دقیقه
یادگیری
5 دقیقه
آزمایش مدل
6 دقیقه
بررسی مجموعه داده ها و شناسایی پیش بینی کننده ها
9 دقیقه
متعادل سازی مجموعه داده
4 دقیقه
طرح ریزی کردن راه حل
2 دقیقه
پیش پردازش داده ها
12 دقیقه
بارگیری داده های پیش پردازش شده
4 دقیقه
یادگیری و تفسیر نتیجه
5 دقیقه
تنظیم مکانیسم توقف زودهنگام
6 دقیقه
آزمایش مدل
2 دقیقه
خلاصه ای از آنچه یاد گرفتید
4 دقیقه
چه چیزهایی بیشتر از نظر یادگیری ماشین وجود دارد
3 دقیقه
مروری بر CNNs
6 دقیقه
مروری بر RNNs
4 دقیقه
مروری بر رویکردهای (non-NN)
5 دقیقه
تمرین های دوره
0 دقیقه

امتیاز

5.00 از 5 / 0 رای