یادگیری عمیق و کار با شبکه های عصبی عمیق در متلب
100,000 تومان


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 340
- گواهی نه
- ارزیابی ها بله
-
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
3 دیدگاه
سلام وقت بخیر
من این دوره را خریداری کردم ولی هنوز لینک دانلود برایم ارسال نشده. لطفا لینک را ایمیل بفرمایید. سپاس
سلام،
فرق این دوره با دوره ی جامع یادگیری عمیق در چی هست ؟
سرفصل ها که یکی هستن
ممنون میشم زودتر پاسخ بدید
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