• صفحه اصلی
  • دوره های آموزشی

    About Courses

    • فیزیک 1
    • ترکیبیات مقدماتی (المپیاد)
    روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

    روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

    رایگان
    مطالعه بیشتر
  • فروشگاه کتاب
  • آرشیو نوشته ها
  • همکاری با ما
  • درباره ما
  • راهنمای سفارش
  • تماس با ما
      • Cart

        0
    سوالی دارید؟
    info@talimestan.com اگر ایمیل های تعلیمستان به شما نمیرسند پوشه اسپم خود را چک کنید.
    عضویتورود
    تعلیمستانتعلیمستان
    • صفحه اصلی
    • دوره های آموزشی

      About Courses

      • فیزیک 1
      • ترکیبیات مقدماتی (المپیاد)
      روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

      روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

      رایگان
      مطالعه بیشتر
    • فروشگاه کتاب
    • آرشیو نوشته ها
    • همکاری با ما
    • درباره ما
    • راهنمای سفارش
    • تماس با ما
        • Cart

          0

      دانشگاه

      • خانه
      • همه دوره ها
      • دانشگاه
      • یادگیری عمیق و کار با شبکه های عصبی عمیق در متلب

      یادگیری عمیق و کار با شبکه های عصبی عمیق در متلب

      Admin bar avatar
      دکتر فرنود مریخ بیات
      دانشگاه, یادگیری ماشین
      (1 نظر)
      100,000 تومان
      dp7
      • مرور کلی
      • برنامه تحصیلی
      • مدرس
      • بررسی ها

      این دورۀ آموزشی بسیار زیبا و کاربردی به طور تخصصی به شبکه های عصبی عمیق (Deep Neural Networks: DNNs)، مفهوم یادگیری عمیق (Deep Learning) و نحوۀ پیاده سازی و کار با آنها در محیط متلب می پردازد. خلاصۀ محتوای هر یک از درسهای این دوره به صورت زیر است:

      • درس اول: مرور مفاهیم مقدماتی و پایه ای
      • درس دوم: مفاهیم لایه های مختلف شبکه های عصبی و نحوۀ پیاده سازی آنها در MATLAB (همراه با توضیح مفهوم و نحوۀ مقداردهی به پارامترهای هر لایه)
        • توضیح مفاهیم اولیه مانند بردارهای دو بعدی و تنسورها
        • لایۀ نرمالیزاسیون ورودی شبکه شامل روشهای zerocenter ،zeroscore ،rescale-symmetric و rescale-zer-one
        • لایۀ کانولوشن تنسوری و توضیح مفاهیمی مانند:
          • same padding ،zero padding
          • گام یا stride
          • کانولوشن های متسع شده (dilated)
          • مقداردهی اولیه به پارامترهای شبکه توسط الگوریتم هایی مانند خاویر (Xavier)
          • انواع توابع فعال سازی (activation functions)
          • لایه های max pooling ،average pooling و global average pooling
          • لایه های تماماً متصل (fully-connected)
          • لایۀ مجموع و لایۀ الحاق
          • لایۀ batch normalization، روابط ریاضی آن و نحوۀ تنظیم پارامترهای آن برای داشتن آموزشی سریع
          • نحوۀ ساخت شبکه های عصبی گوناگون در محیط MATLAB با استفاده از ترکیب لایه های بررسی شده
      • درس سوم: ساخت و مدیریت داده های آموزش در MATLAB
        • آموزش نحوۀ ساخت داده های آموزش
        • آموزش نحوۀ برچسب زنی داده های آموزش
        • آموزش نحوۀ استفاده از توابع datastore جهت مدیریت داده های آموزش، اعتبار سنجی و تست و استفاده از آن در حین آموزش شبکه
        • توضیح نحوۀ استفاده از داده های آموزش موجود در MATLAB
        • آموزش روشهای بهبود کیفیت و تعداد داده های آموزشی
        • آشنایی با معروف ترین دیتاست های موجود
      • درس چهارم: توضیح نحوۀ آموزش شبکه های عصبی در MATLAB
        • توضیح مرحله به مرحلۀ روند آموزش
        • بررسی تفاوت میان مسائل رگرسیون (regression) و دسته بندی (classification)
        • انواع توابع هزینه مانند MSE و CrossEntropy، مفاهیم آنها، مواقع استفاده از آنها و نحوۀ پیاده سازی آنها در MATLAB
        • آشنایی با مفاهیم آموزش مانند:
          • Epoch، Batch و Iteration
          • داده های آموزش، اعتبارسنجی و آزمایش و نحوۀ استفاده از آنها
          • مفهوم overfitting و نحوۀ جلوگیری از آن (تفاوت بچۀ خرخوان با بچۀ باهوش!)
          • مفهوم نرخ یادگیری شبکه (learning rate)، نحوۀ مقدار دهی اولیۀ آن، نحوۀ تغییر دادن آن در حین آموزش شبکه
          • زمان مناسب جهت توقف یادگیری
          • چگونگی استفاده از نرم 2 یا L2-norm Regularization جهت جلوگیری از overfitting شبکه
          • مشاهدۀ مفهوم تعمیم (generalization) در شبکه های عصبی
      • درس پنجم: پیاده سازی چندین شبکۀ عصبی و آموزش آنها در MATLAB
        • پیاده سازی شبکۀ عصبی پرسپترون تک لایه
        • پیاده سازی شبکۀ عصبی پرسپترون چند لایه برای حل مسالۀ رگرسیون
        • پیاده سازی شبکه عصبی پرسپترون چند لایه برای حل مسالۀ دسته بندی
          • بررسی اثر overfitting
          • بررسی اثر نرخ یادگیری بر روی سرعت آموزش شبکه
          • بررسی اثر L2-Normalization
          • بررسی اثر نحوۀ مقداردهی اولیۀ پارامترها بر سرعت یادگیری
          • بررسی اثر لایۀ Dropout بر نحوۀ یادگیری شبکه
          • بررسی شکل ساختار شبکه بر کارایی آن
          • ……
        • پیاده سازی شبکۀ عصبی کانولوشنی برای مسائل classification و بررسی اثر پارامترها و لایه های شبکه بر روی کارایی شبکه

       

       

      ویژگی های دوره

      • عناوین 5
      • امتحانات 0
      • مدت 8 ساعت و 12 دقیقه
      • سطح مهارت کارشناسی، ارشد، دکترا
      • زبان فارسی
      • دانشجویان 337
      • گواهی نه
      • ارزیابی ها بله
      دوره هایادگیری ماشینیادگیری عمیق و کار با شبکه های عصبی عمیق در متلب
      • دروس 5

        • سخنرانی1.1
          یادگیری عمیق: بخش اول 01 ساعت 31 دقیقه
        • سخنرانی1.2
          یادگیری عمیق: بخش دوم 02 ساعت 24 دقیقه
        • سخنرانی1.3
          یادگیری عمیق: بخش سوم 01 ساعت 10 دقیقه
        • سخنرانی1.4
          یادگیری عمیق: بخش چهارم 01 ساعت 25 دقیقه
        • سخنرانی1.5
          یادگیری عمیق: بخش پنجم 01 ساعت 42 دقیقه
      Admin bar avatar
      دکتر فرنود مریخ بیات
      دکترای اول: مهندسی برق، گرایش الکترونیک دیجیتال از دانشگاه صنعتی شریف | دکترای دوم: مهندسی کامپیوتر، گرایش سخت افزارهای مبتنی بر هوش مصنوعی از دانشگاه سانتا باربارا، آمریکا | پژوهشگر پسادکترای مهندسی کامپیوتر در دانشگاه UCSB | مولف و مولف همکار بیش از 10 عنوان ثبت اختراع جهانی و بیش از 60 مقالۀ پژوهشی در ژورنالهای معتبر (از جمله چهار مقاله در ژورنالهای معتبر نیچر مانند Nature ،Nature Electronics و Nature Communications) | زمینه های پژوهشی: یادگیری ماشین، شبکه های عصبی، سخت افزارهای هوشمند، شبکه های عصبی عمیق، الگوریتمهای فازی، سخت افزارهای نرومورفیکی، ساختارها و سخت افزارهای ممریستوری، سیستم های دیجیتال و پردازنده های سریع، پردازنده های آنالوگی

      نظرات

      میانگین امتیازها

      5
      1 امتیاز

      جزئیات امتیاز

      5
      100%
      4
      0%
      3
      0%
      2
      0%
      1
      0%
      • rayan21

        دوره ی یادگیری عمیق

        بسیار عالی و درست توضیح داده بودید با توجه به هدف درس که یادگیری عمیق به عنوان یک ابزار برای انجام پروژه ها تعریف شده بود نه مفاهیم سطحی بود که متوجه موضوع نشیم و نه بسیار وارد جزئیات شدید که از حوصله ی بحث خارج بشه به قولی جامع و مانع😀 بی اندازه سپاس گزارم

      • مرور کلی
      • برنامه تحصیلی
      • مدرس
      • بررسی ها
      100,000 تومان
      • اشتراک گذاری :

      دوره های مرتبط

      پیش بینی سریهای زمانی با شبکۀ بازگشتی عمیق مطالعه بیشتر
      Admin bar avatar
      دکتر فرنود مریخ بیات

      پیش بینی سریهای زمانی با شبکۀ بازگشتی عمیق

      197
      0
      65,000 تومان
      انتقال یادگیری در شبکه های عصبی عمیق مانند AlexNet و GoogLeNet مطالعه بیشتر
      Admin bar avatar
      دکتر فرنود مریخ بیات

      انتقال یادگیری در شبکه های عصبی عمیق مانند AlexNet و GoogLeNet

      246
      0
      65,000 تومان

        3 دیدگاه

      1. مریم
        2 شهریور 1400
        پاسخ

        سلام وقت بخیر
        من این دوره را خریداری کردم ولی هنوز لینک دانلود برایم ارسال نشده. لطفا لینک را ایمیل بفرمایید. سپاس

      2. امیر
        13 آبان 1400
        پاسخ

        سلام،
        فرق این دوره با دوره ی جامع یادگیری عمیق در چی هست ؟
        سرفصل ها که یکی هستن
        ممنون میشم زودتر پاسخ بدید

        • Admin bar avatar
          دکتر فرنود مریخ بیات
          27 دی 1400
          پاسخ

          دوره جامع یادگیری عمیق شامل مباحث زیر است در حالیکه این دوره تنها بخش اول را شامل می‌شود:

          آشنایی با یادگیری عمیق
          انتقال یادگیری در شبکه های عصبی عمیق
          پیشبینی یرهای زمانی با استفاده از شبکه های عصبی عمیق
          طبق بندی تصاویر با استفاده از شبکه های عصبی عمیق
          مباحثی در جبر خطی

      یک دیدگاه ارسال کنید لغو پاسخ

      نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

      همه دوره ها

      • المپیاد
      • دانشگاه
      • فنی و مهندسی
      • متفرقه
      • نرم افزار کاربردی
      • یادگیری ماشین

      آخرین دوره ها

      تنظیم پارامترهای کنترل کنندۀ PID با متلب/سیمولینک

      تنظیم پارامترهای کنترل کنندۀ PID با متلب/سیمولینک

      رایگان
      یادگیری عمیق و کار با شبکه های عصبی عمیق در متلب

      یادگیری عمیق و کار با شبکه های عصبی عمیق در متلب

      100,000 تومان
      محاسبه مشتق توابع

      محاسبه مشتق توابع

      رایگان

      همه مطالب

      مصاحبه با دکتر کسری علیشاهی (در مورد رشته ریاضی و مسائل مربوط به آن)
      13دی1400
      گپی کوتاه با دانشجویان سال اولی دانشگاهها
      22مهر1400
      آیا کائنات با کامپیوترها دشمنی دارد؟
      19شهریور1400

      info@talimestan.com

      لینک های مفید

      • درباره ما
      • ثبت نام
      • حساب کاربری

      توصیه شده

      • تماس با ما
      • درباره ما
      • دوره ها

      نماد اعتماد الکترونیک

      کلیه ی حقوق مادی و معنوی این وبسایت متعلق به شرکت دانش گران هوشمند آکام است.

      با حساب کاربری خود وارد شوید

      رمز عبور خود را فراموش کرده اید؟

      آیا هنوز عضو نشده اید؟ ثبت نام کنید

      یک حساب جدید ثبت کنید

      آیا شما عضو هستید؟ اکنون وارد شوید