جستجو برای:
  • دوره های آموزشی
    • دوره های مقدماتی
      • ریاضیات ویژه هوش مصنوعی
      • پایتون ویژه یادگیری ماشین
      • یادگیری ماشین کاربردی
      • یادگیری عمیق – ترم اول
    • دوره های متوسط و پیشرفته
      • پایتون عمیق
      • تنسورفلو پیشرفته
      • در قلب شبکه های عصبی – ۱
      • یادگیری عمیق – ترم دوم (شبکه های بازگشتی و Transformers)
      • یادگیری عمیق – ترم سوم (در قلب Transformers)
      • مقالات برتر ۲۰۲۳ هوش مصنوعی
      • یادگیری تقویتی
  • کارگاه ها و مینی دوره ها
    • مرتبط با ریاضیات
      • جبرخطی ویژه یادگیری ماشین
      • آمار و احتمال برای یادگیری ماشین
      • حساب دیفرانسیل و انتگرال
      • مثلثات یک بار برای همیشه
    • سایر
      • مینی دوره latex
      • بهینه سازی در شبکه های عصبی
      • آموزش yolov8
      • بررسی مقاله AlphaGeometry
      • Normalization در شبکه های عصبی
      • آینده دنیا با هوش مصنوعی
      • کارگاه Policy Gradient
  • Packages پکیج ها
    • پکیج مقدماتی یادگیری عمیق
    • پکیج پیشرفته یادگیری عمیق
    • پکیج LLM ها از صفر تا صد
  • نقشه راه رایگان
  • منتورینگ و مشاوره
  • درباره ما
  • تماس با ما
دسترسی سریع
  • آکادمی ربوتک | هوش مصنوعی
  • آموزش رایگان یادگیری ماشین
  • استعلام مدرک
  • پرداخت
  • پکیج های ويژه آکادمی ربوتک
  • تماس با ما
  • حساب کاربری
  • درباره ما
  • رهگیری مدرک دانشجویان
  • سبد خرید
  • صفحه اصلی
  • قوانین شرکت در دوره ها
  • مدرسین آکادمی
  • مدرسین آکادمی ربوتک
  • نقشه راه آکادمی
  • نقشه راه یادگیری ماشین
0

ورود و ثبت نام

  • دوره های آموزشی
    • دوره های مقدماتی
      • ریاضیات ویژه هوش مصنوعی
      • پایتون ویژه یادگیری ماشین
      • یادگیری ماشین کاربردی
      • یادگیری عمیق – ترم اول
    • دوره های متوسط و پیشرفته
      • پایتون عمیق
      • تنسورفلو پیشرفته
      • در قلب شبکه های عصبی – ۱
      • یادگیری عمیق – ترم دوم (شبکه های بازگشتی و Transformers)
      • یادگیری عمیق – ترم سوم (در قلب Transformers)
      • مقالات برتر ۲۰۲۳ هوش مصنوعی
      • یادگیری تقویتی
  • کارگاه ها و مینی دوره ها
    • مرتبط با ریاضیات
      • جبرخطی ویژه یادگیری ماشین
      • آمار و احتمال برای یادگیری ماشین
      • حساب دیفرانسیل و انتگرال
      • مثلثات یک بار برای همیشه
    • سایر
      • مینی دوره latex
      • بهینه سازی در شبکه های عصبی
      • آموزش yolov8
      • بررسی مقاله AlphaGeometry
      • Normalization در شبکه های عصبی
      • آینده دنیا با هوش مصنوعی
      • کارگاه Policy Gradient
  • Packages پکیج ها
    • پکیج مقدماتی یادگیری عمیق
    • پکیج پیشرفته یادگیری عمیق
    • پکیج LLM ها از صفر تا صد
  • نقشه راه رایگان
  • منتورینگ و مشاوره
  • درباره ما
  • تماس با ما
حالت مطالعه
تعداد ساعت
سطح
مدرس
۱۶ ساعت و ۴۶ دقیقه
متوسط و پیشرفته
حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران)
تمرین
گواهینامه
پشتیبانی
دارد
دارد
گروه VIP تلگرامی
نکته مهم در مورد دوره های ربوتک دوره های آکادمی ربوتک بر بستر نرم افزار spot player هستند و شما پس از ثبت نام باید لایسنس خود را فعال کنید و به محتوای دوره دسترسی خواهید داشت. برای جزییات بیشتر میتوانید ویدیو "نحوه دسترسی به محتوا" از همین صفحه را مشاهده کنید.

درباره دوره

یک گام به سمت حرفه ای شدن حرکت کنید.

در یادگیری عمیق علاوه بر آن که باید مباحث تئوری و مقالات را به خوبی درک کنید، نیاز است که بتوانید آن ها را پیاده سازی کنید. در بسیاری از مقالات یک Loss function اختصاصی ارایه می شود، در بسیار یک معماری شبکه اختصاصی و یا شبکه های با چند ورودی و چند خروجی ارایه می شود. شاید بتوانیم این مقالات را بخوانیم و آنها را درک کنیم ولی آیا قادر خواهیم بود که آنها را پیاده سازی کنیم ؟ 

در این دوره ابزارهایی را یاد میگیرید که پیاده سازی مقالات برای شما ساده تر از قبل می شود و دیگر ترسی از پیاده سازی مقالات نخواهید داشت. 

دمو دوره

پخش ویدیو
پخش ویدیو

ویدیو های بیشتر در youtube (کلیک کنید)

دوره هایی برای همه حوزه ها

تفاوتی ندارد که در چه حوزه ای کار میکنید. این دوره احتمالا به کار شما می آید. اگر در حوزه شناسایی اشیا کار میکنید، اگر در حوزه بازشناسی چهره کار میکنید، اگر از مدل های مولد استفاده می کنید و اگر … 

این دوره فارغ از حوزه کاری است و شامل مجموعه روش ها و تکنیک هایی است که در همه جا به کار می رود. در زیر به صورت جداگانه برخی از این حوزه ها بررسی شده اند : 

حوزه شناسایی اشیا  (Object Detection)

اگر مقالات مرتبط با حوزه Object Detection را دیده باشید احتمالا دیده اید که شبکه ها خیلی از اوقات شبکه های دو خروجی دارند. مثل شبکه Fast R-CNN که تصویر آن را در زیر مشاهده می کنید: 

اما تا به حال از خود پرسیده اید که این شبکه ای که دو خروجی دارد را چگونه باید پیاده سازی کرد ؟ در این دوره به این گونه سوالات پاسخ می دهیم و میبینیم که چگونه می توانیم یک شبکه دو خروجی طراحی کنیم ؟ 

بازشناسی چهره (Face Recognition)

اگر در حوزه بازشناسی چهره نیز فعالیت کنید احتمالا با Loss Function های مختلفی روبرو شده اید. مواردی چون Triplet Loss یا Contrastive Loss یا Angular Loss . اما از خود پرسیده اید که چگونه می توان این Loss های اختصاصی را پیاده سازی کرد ؟ در این دوره به این سوال نیز پاسخ خواهیم داده و به خصوص Contrastive Loss را پیاده سازی خواهیم کرد. 

در شکل بالا نمای کلی از Contrastive Loss را مشاهده می کنید و همچنین Siamese Network ها نیز در این شکل وجود دارند. اما این Siamese Network ها باید چگونه پیاده سازی شوند ؟ این سوال نیز از آن دسته سوالاتی است که به آن پاسخ خواهیم داد. 

ما یک نقشه راه جامع داریم ...

ما در ربوتک یک نقشه راه جامع داریم برای افراد زیر :

  • کسایی که رشته تحصیلی شان مهندسی های برق و کامپیوتر و … نبوده است ولی علاقه مند یادگیری هوش مصنوعی هستند. 
  • کسانی که میخواهند مباحث را به زبان ساده یاد بگیرند. از این که ویدیویی میبینند و آن را نمیفهمند خسته شده اند. 
  • میخواهند خودشان با دستان خودشان خط به خط کدنویسی کنند و پروژه شان را انجام دهند. 
  • کسانی که میخواهند مباحث پیشرفته در یادگیری عمیق را یاد بگیرند.
  • و هر آن که میخواهد با هوش مصنوعی آشنا گردد

در تصویر زیر نقشه راه جامع آکادمی ربوتک آورده شده است. 

نقشه راه یادگیری عمیق (یادگیری ماشین و هوش مصنوعی)

سرفصل ها

هفته اول دوره

مفاهیم شی گرایی، وراثت و پیاده سازی یک شبکه دیپ با OOP

بخش ۱ :‌معرفی دوره ویدئو

معرفی دوره و چند نکته برای استفاده بهتر از دوره

بخش ۲ :‌مفهوم شی گرایی ویدئو

ایده و شهود شی گرایی و مثالی برای درک بهتر

بخش ۳ :‌ پیاده سازی در پایتون ویدئو

پیاده سازی یک کلاس ساده در پایتون

بخش ۴‌: انواع متدها در شی گرایی ویدئو

Regular Method و Class Method و Static Method در شی گرایی

بخش ۵ : ارث بری ویدئو

مفهوم ارث بری در شی گرایی و یک مثال پایتون

بخش ۶‌: یک شبکه Deep در پایتون ویدئو

نوشتن کامل یک شبکه Deep به کمک شی گرایی و train آن

هفته دوم دوره

شبکه های چند ورودی و چند خروجی

بخش اول : آشنایی و حل مثال از Functional API ویدئو

ایده Functional API برای نوشتن شبکه های عصبی و حل یک مثال

بخش دوم : شبکه چند خروجی - بخش اول ویدئو

شبکه های چند خروجی چه تفاوتی با شبکه های عادی دارند ؟ بخش اول

بخش سوم : شبکه چند خروجی - بخش دوم ویدئو

شبکه های چند خروجی چه تفاوتی با شبکه های عادی دارند ؟ بخش دوم

بخش چهارم : حل مثال یک شبکه دو خروجی ویدئو

حل مثال تعیین رنگ و نوع لباس در یک شبکه دو خروجی

بخش پنجم :‌ شبکه چند ورودی ویدئو

تفاوت یک شبکه چند ورودی با یک شبکه عادی

بخش ششم : حل مثال شبکه چند ورودی ویدئو

نمونه مثال از شبکه چند ورودی - پیشبینی قیمت خانه با ۴ تصویر

هفته سوم دوره

نوشتن Loss Function های اختصاصی و شبکه Siamese

بخش اول : پیاده سازی تابع Loss اختصاصی (مثال MSE ) ویدئو

تابع Loss اختصاصی و نوشتن تابع لاس MSE

بخش دوم :پیاده سازی تابع Loss اختصاصی (مثال تابع Huber Loss) ویدئو

آشنایی با تابع Huber Loss و پیاده سازی آن از صفر در تنسورفلو

بخش سوم : پیاده سازی تابع Loss اختصاصی (روش های دیگر) ویدئو

روش های بیشتر برای نوشتن تابع Loss اختصاصی در تنسورفلو

بخش چهارم :‌ پیاده سازی یک لایه ساده در Tensorflow ویدئو

چطور در تنسورفلو یک لایه ساده بنویسیم ؟

بخش پنجم : آموزش شبکه Siamese - بخش اول ویدئو

شبکه Siamese و بررسی ایده و مفاهیم مهم آن

بخش ششم :‌ آموزش شبکه Siamese - بخش دوم ویدئو

مزایای استفاده از شبکه Siamese و پیشنیازهای لازم برای کدنویسی

هفته چهارم دوره

ادامه شبکه Siamese و کد آن

بخش اول : ساخت جفت های مثبت و منفی ویدئو

قسمت اول از پیاده سازی شبکه Siamese با ساخت pair های مثبت و منفی

بخش دوم : پیاده سازی تابع Contrastive Loss ویدئو

بخش دوم پیاده سازی شبکه Siamese - پیاده سازی تابع Contrastive Loss

بخش سوم : آموزش کل شبکه ویدئو

پیاده سازی معماری ها و Train کل شبکه Siamese

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

بخش چهارم : لایه نویسی ویدئو

مقدمه ای بر لایه نویسی در Keras , Tensorflow

هفته پنجم دوره

نوشتن انواع لایه ها در Tensorflow و Graph Mode و Eager Mode

بخش اول : لایه نویسی با Tensorflow و Keras ویدئو

پیاده سازی یک لایه Dense از ابتدا به کمک Tensorflow و Keras

بخش دوم : مثالی دیگر از لایه نویسی ویدئو

حل مثال رگرسیون با استفاده از لایه نوشته شده

بخش سوم : مباحث پیشنیازی Mode ها ویدئو

آشنایی با برخی عملیات های پایه ای در Tensorflow و Keras

بخش چهارم : مدهای اجرایی در Tensorflow و Keras ویدئو

آشنایی با eager Mode و Graph Mode در تنسورفلو و کراس

بخش پنجم : Automatic Differentiation ویدئو

کامپیوترها چگونه مشتق گیری را انجام می دهند ؟

بخش ششم : شروع بحث tf.GradientTape ویدئو

نوشتن Custom Training Loop و معرفی tf.GradientTape

هفته ششم دوره

معرفی tf.GradientTape و پیاده سازی کامل یک مثال با آن

بخش اول : حل مثال رگرسیون با tf.GradientTape - بخش اول ویدئو

حل یک مثال کامل به کمک tf.GradientTape - آماده سازی داده ها

بخش دوم : حل مثال رگرسیون با tf.GradientTape ویدئو

حل یک مثال کامل به کمک tf.GradientTape - نوشتن تابع train

بخش سوم : ادامه حل مثال رگرسیون ویدئو

حل یک مثال کامل به کمک tf.GradientTape - مشاهده نتایج خروجی

بخش چهارم :جمع بندی ویدئو

جمع بندی و توضیح یک سری نکات تکمیلی درباره tf.GradientTape

بخش پنجم :‌مثال شبکه عصبی با tf.GradientTape ویدئو

حل مثالی دیگر از tf.GradientTape - مثال شبکه عصبی

بخش ششم:‌ادامه مثال شبکه عصبی با tf.GradientTape ویدئو

مشاهده نتایج خروجی و فرآیند آموزش شبکه و ارزیابی آن

هفته هفتم دوره

بررسی انواع Callback ها در تنسورفلو

بخش اول : تکمیل کد مربوط به tf.GradientTape ویدئو

اضافه کردن Loss و Metric به کد پیاده سازی با tf.GradientTape

بخش دوم : نوشتن شبکه عصبی با Model subclassing ویدئو

چگونه به کمک Model subclassing در تنسورفلو شبکه را پیاده کنیم ؟

بخش سوم :Callback ها - بخش اول ویدئو

معرفی Callbacks و کار با EarlyStopping در تنسورفلو

بخش چهارم :Callback ها - بخش دوم ویدئو

کار با کالبک CSVLogger در تنسورفلو

بخش پنجم : Callback ها - بخش دوم ویدئو

ار با کالبک های ReduceOnPlateau و Tensorboard در تنسورفلو

بخش ششم : مباحث تکمیلی Callback ها ویدئو

تکمیل مباحث Callback و معرفی تمرین سری ۷

نظرات شرکت کنندگان

نظرات دوره یادگیری عمیق
نظرات دوره یادگیری ماشین کاربردی

برنامه ریزی روزانه و هفتگی !

در این سری از دوره فایل های برنامه ریزی هفتگی و روزانه در نظر گرفته ایم که دانشجو طبق برنامه ریزی هفته و روزانه پیش رود و هر روز بخشی از برنامه را مشاهده کند. البته این برنامه اختیاری است و اگر زمان بیشتر یا کمتری نیاز دارید میتوانید طبق برنامه خودتان پیش روید ولی برنامه پیشنهادی آکادمی ربوتک به صورت هفتگی است که میتوانید آنها را هر هفته دانلود کنید و طبق برنامه جلو روید. 

در زیر بخشی از برنامه روز دوشنبه از هفته سوم دوره قرار داده شده است : 

مدرس دوره کیست ؟

حامد قاسمی

  • فارغ التحصیل ارشد هوش مصنوعی دانشگاه تهران
  • مدرس دوره مقاله کاوی و بینایی ماشین و دیپ لرنینگ در آکادمی ربوتک
  • تخصص در زمینه شبکه های کانولوشنی و معماری های CNN

دسترسی به محتوا (پس از ثبت نام)

لینک گروه تلگرامی

پس از ثبت نام به لینک گروه دسترسی خواهید داشت.

لینک گروه تلگرامی

خصوصی
این بخش خصوصی می باشد. برای دسترسی کامل به دروس این دوره باید این دوره را خریداری نمایید.

گروه پشتیبانی تلگرامی

سوالات متداول

پشتیبانی کلاس ها به چه شکلی است ؟

برای هر کلاس یک گروه تلگرامی ویژه ساخته می شود که در آن استاد دوره به همراه حل تمرین و سایر شرکت کنندگان در آن گروه هستند و شما می توانید سوالات خود را بپرسید و مدرس دوره و یا شرکت کنندگان به سوالات شما پاسخ دهند.

ثبت نام گروهی تخفیف دارد ؟

بله – اگر به صورت گروهی ثبت نام کنید، آکادمی ربوتک برای شما تخفیف ویژه ثبت نام گروهی را در نظر می گیرد. برای دریافت تخفیف گروهی خود میتوانید به آیدی پشتیبانی آکادمی ربوتک به آدرس @robotech_support پیام دهید. 

این دوره پیشنیاز دارد ؟

پیشنیاز این دوره پایتون و شبکه های CNN می باشد. 

آیا در پایان دوره مدرک داده می شود ؟

بله این دوره دارای مدرک نمره دار می باشد و به زبان انگلیسی صادر خواهد شد. نمره نهایی شما مطابق تمرینات انجام شده توسط شما و پروژه پایانی دوره (در صورت وجود) در نظر گرفته می شود. 

امکان پرداخت اقساطی وجود دارد ؟

در آکادمی ربوتک به دلیل شرایط سخت اقتصادی کشور همواره تلاش کرده ایم که دوره ها را با پایین ترین قیمت ممکن برگزار کنیم که تا حدی نیز موفق بوده ایم. اما متاسفانه امکان پرداخت اقساطی دوره وجود ندارد. 

شرایط انصراف از دوره به چه شکل می باشد ؟

برای دوره های آفلاین از آنجا که شما به محتوا دسترسی دارید امکان انصراف از دوره پس از ثبت نام وجود ندارد. 

ارتباط مستقیم

شبکه های اجتماعی

Tags: آموزش tensorflow آموزش تنسورفلو پیشرفته تنسورفلو تنسورفلو پیشرفته

دوره های مرتبط

بهینه سازی در شبکه های عصبی

در این مینی دوره سه جلسه ای به بهینه سازی و انواع الگوریتم های بهینه سازی در شبکه های عصبی میپردازیم و به زبان خیلی ساده آن ها را درک میکنیم.

در قلب شبکه های عصبی – ۱

نکته مهم در مورد دوره های ربوتک دوره های آکادمی ربوتک بر بستر نرم افزار spot player هستند و شما…

دوره پایتون عمیق

تعداد ساعت سطح مدرس ۲۶ ساعت و ۴۸ دقیقه متوسط و پیشرفته حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین…

در قلب Transformers (ترم سوم یادگیری عمیق)

تعداد ساعت سطح مدرس ۳۲ ساعت و ۱۰ دقیقه متوسط و پیشرفته حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین…

یادگیری ماشین کاربردی

یادگیری ماشین کاربردی

تعداد ساعت سطح مدرس ۱۷ ساعت و ۲۹ دقیقه مقدماتی حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین گواهینامه پشتیبانی…

پایتون ویژه یادگیری ماشین

تعداد ساعت سطح مدرس ۱۷ ساعت و ۳۰ دقیقه مقدماتی حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین گواهینامه پشتیبانی…

نظرات

لغو پاسخ

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

قیمت :

1,500,000 تومان

-----------
امتیاز
0 از 0 رأی
بدون امتیاز 0 رای
1,500,000 تومان
تعداد دانشجو : 158
نوع دوره: آفلاین
پیش نیاز: پایتون و شبکه های CNN
زبان: فارسی
17 ساعت (7 هفته)
روش دریافت: دسترسی به محتوا به محض ثبت نام با فعال سازی لایسنس
روش پشتیبانی: گروه تلگرامی
13.56k بازدید 0 دیدگاه
حامد قاسمی
حامد قاسمی
دانشجوی دکتری هوش مصنوعی دانشگاه تهران

Categories: پکیج پیشرفته، دوره های آموزشی، دوره های متوسط و پیشرفته
شبکه های اجتماعی:

آموزش های رایگان
  • آموزش Numpy
  • شناسایی اشیا
  • کارگاه finger counting

درباره آکادمی ربوتک

آکادمی ربوتک با هدف ایجاد یک نگرش و ساز و کار نوین در زمینه های هوش مصنوعی و رباتیک به طور رسمی سال 1395 آغاز به کار کرد و رسالت کاری خود را آموزش درست و هدفمند مربوط به مباحث هوش مصنوعی و رباتیک در فضایی آکنده از ربات ها و پژوهش های آن بنا نهاد.

 

تمامی حقوق این وبسایت متعلق به آکادمی ربوتک می باشد و هر گونه سوء استفاده از آن غیرقانونی می باشد.

ورود

رمز عبور را فراموش کرده اید؟

هنوز عضو نشده اید؟ عضویت در سایت