تعداد ساعت | سطح | مدرس |
|---|---|---|
۲۷ ساعت و ۵۸ دقیقه | مقدماتی | حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) |
تمرین | گواهینامه | پشتیبانی |
|---|---|---|
دارد | دارد | گروه VIP تلگرامی |
آشنایی با دوره یادگیری عمیق - ترم اول
مشکل ما و دیپ لرنینگ !
همین الان واژه Deep Learning را در گوگل جست و جو کنید. بیش از 1000 منبع وجود دارد. انواع دوره های آموزشی از انواع دانشگاه ها و شرکت ها و …
ولی شاید برای شما هم پیش آماده باشد که در نهایت نمی توانید کاری انجام دهید و پروژه خود را نمی توانید انجام دهید !
یا آنکه اصلا آنقدر مطلب سطح بالاست و ریاضیات زیادی دارد که برای شما قابل فهم نیست !
حتی اگر آن مطلب را بفهمید وقتی می روید و کدها را بررسی میکنید و با یک کد 1000 خطی مواجه می شوید کلا همه چیز را میبوسید و میگذراید کنار !
آنقدر آن کد مطالب عجیب و غریب دارد که آدم را به کل ناامید میکند !
شاید هم هیچکدام از ایرادات بالا را نداشته باشد اما انتهای دوره ما نتوانیم پروژه های خودمان را انجام دهیم. ما باید بتوانیم به صورت ساختاری به مساله خوب فکر کنیم و برای آن راه حل پیدا کنیم.
پس اید چکار کنیم ؟ چیکار کنیم که خیلی مشخص و تمیز یادگیری عکیق را یاد بگیریم و بتوانیم از آن استفاده کنیم.
ویژگی های دوره
دمو دوره
ما یک نقشه راه جامع برای یادگیری عمیق 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.
نظرات شرکت کنندگان
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.
نکته : تاکنون برنامه ریزی 2 هفته قرار داده شده است که در یکی دو هفته آینده فایل های برنامه ریزی تکمیل خواهد شد.
در زیر بخشی از برنامه روز دوشنبه از هفته سوم دوره قرار داده شده است :
پروژه های میانی دوره یادگیری عمیق
پروژه میانی شماره 1 : شکستن کد کپچا
پروژه میانی شماره 2 : تشخیص خنده
پروژه پایانی دوره : ماشین خودران با شبیه ساز Nvidia
پروژه پایانی دوره که باید دانشجویان انجام دهند و این کار را به کمک استاد دوره و حل تمرین دوره انجام خواهند داد، پروژه ماشین خودران می باشد که باید در محیط شبیه سازی شرکت Nvidia دانشجویان بتوانند یک ماشین خودران را با دقت مناسبی در جاده به صورت اتوماتیک به حرکت در آورند. در زیر دمویی از این کار آورده شده است :
پشتیبانی دوره یادگیری عمیق ؟
برای پشتیبانی یک گروه ویژه تلگرامی در نظر گرفته شده است که شما به محض ثبت نام می توانید عضو این گروه شوید.
پس از ثبت نام به لینک گروه دسترسی خواهید داشت.
لینک گروه تلگرامی
دسترسی به محتوا (پس از ثبت نام)
مدرس دوره یادگیری عمیق کیست ؟
حامد قاسمی
- دانشجوی دکتری هوش مصنوعی دانشگاه تهران
- پژوهشگر آزمایشگاه تعامل انسان و ربات دانشگاه تهران
سرفصل های دوره یادگیری عمیق
آموزش کتابخانه Numpy و Pandas
آموزش Numpy - بخش اول ویدئو
مقدمه و مفاهیم ئایه و کلیدی در Numpy
آموزش Numpy - بخش دوم ویدئو
ذخیره آرایه ها و ضرب ماتریس ها
آموزش Numpy - بخش سوم ویدئو
مرتب سازی و slicing در Numpy
آموزش Numpy - بخش چهارم ویدئو
مباحث تکمیلی و کاربردی در Numpy
آموزش Pandas - بخش اول ویدئو
آشنایی با Pandas و نوع داده Series
آموزش Pandas - بخش دوم ویدئو
DataFrame ها و نکات مهم در مورد آنها
آموزش Pandas - بخش سوم ویدئو
کار با فایل های csv به کمک Pandas
مقدمه ای بر یادگیری ماشین و کتابخانه OpenCV
مقدمه ویدئو
آنچه در این هفته خواهیم گفت
بخش دوم: مفاهیم پایه ویدئو
مفاهیم یادگیری ماشین (قسمت اول)
بخش سوم : قسمت دوم از مفاهیم یادگیری ماشین ویدئو
مفاهیم یادگیری ماشین (قسمت دوم)
بخش چهارم : بررسی یک مثال در یادگیری ماشین ویدئو
یک مثال ساده از یادگیری ماشین
بخش پنجم: معرفی و آشنایی با کتابخانه opencv ویدئو
آشنایی با کتابخانه OpenCV (بخش اول)
بخش ششم: معرفی و آشنایی با کتابخانه opencv (قسمت دوم) ویدئو
ادامه کار با کتابخانه OpenCV
محتوای جایزه ویدئو
Copilot و نحوه استفاده از آن
یادگیری ماشین و شبکه های عصبی پرسپترون
مثال یادگیری ماشین ویدئو
تشخیص آتش سوزی با یادگیری ماشین - بخش اول
مثال یادگیری ماشین ویدئو
تشخیص آتش سوزی با یادگیری ماشین - بخش دوم
شبکه های عصبی ویدئو
نرون چیست و شبکه عصبی چگونه تشکیل می شود ؟
آپدیت وزن ها ویدئو
نحوه یادگیری در شبکه های عصبی به چه شکل است ؟
تابع زیان و الگوریتم Gradient Descent ویدئو
معرفی تابع Loss Function و الگوریتم آپدیت وزن ها
مشتق تابع Loss ویدئو
مثال عددی از نحوه آپدیت وزن ها
جمع بندی مباحث ویدئو
جمع بندی هر آنچه که تاکنون گفته ایم
طبقه بندی با شبکه عصبی ویدئو
مساله طبقه بندی چگونه با شبکه عصبی قابل حل است ؟ بخش اول
طبقه بندی با شبکه عصبی ویدئو
مساله طبقه بندی چگونه با شبکه عصبی قابل حل است ؟ بخش دوم
کدنویسی مساله classification با Tensorflow ویدئو
تشخیص آتش سوزی در جنگل با تنسورفلو
شبکه های MLP و شروع شبکه های CNN
ذخیره و استفاده از مدل ویدئو
نحوه ذخیره و استفاده از یک مدل در یک MLP
مثالی دیگر از MLP ویدئو
نحوه حل cifar 10 به کمک MLP
مفهوم کانولوشن ویدئو
کانولوشن چیست و حل یک مثال از مفهوم آن با OpenCV
شبکه CNN - بخش اول ویدئو
آموزش لایه های مهم و کلیدی در شبکه های CNN - بخش اول
شبکه CNN - بخش دوم ویدئو
آموزش لایه های مهم و کلیدی در شبکه های CNN - بخش دوم
پیاده سازی CNN در تنسورفلو ویدئو
حل مثال آتش سوزی در جنگل به کمک CNN
ادامه شبکه های CNN و معرفی Overfitting
نکاتی کلی در زمینه ساخت شبکه های CNN ویدئو
برخی نکات کاربردی که هنگام ساخت یک شبکه CNN بهتر است آن را رعایت کنید.
لایه BatchNormalization ویدئو
معرفی لایه BatchNormalization و بررسی اثر آن
آشنایی با Overfitting ویدئو
بیش برازش یا Overfitting چیست و چه راه هایی برای حل آن وجود دارد؟
ImageDataGenerator ویدئو
معرفی ImageDataGenerator در Keras و نحوه استفاده از آن برای حل مشکل Overfitting
پروژه ۱ : شکستن کد کپچا - بخش اول (آموزش شبکه عصبی CNN ) ویدئو
یک شبکه عصبی را از صفر تا صد بر روی اعداد آموزش می دهیم.
پروژه ۱ : شکستن کد کپچا - بخش دوم (دستورات OpenCV مورد نیاز ) ویدئو
با دستورات مثل آستانه گذاری تصویر که برای استخراج عکس ها نیاز داریم آشنا می شویم.
پروژه ۱ : شکستن کد کپچا - بخش سوم ( گرفتن خروجی با دقت بالا ) ویدئو
اعداد را استخراج می کنیم و میبینیم که شبکه با دقت بالایی قادر به تشخیص اعداد است.
شبکه های CNN و مباحث پیشرفته در آن
تنظیم نرخ یادگیری ویدئو
نحوه تنظیم LearningRate و پیاده سازی آن در Keras
شبکه AlexNet ویدئو
معرفی چالش ILSVRC و شبکه AlexNet
شبکه VGGNet ویدئو
معرفی شبکه های معروف CNN با معرفی ZFNet و VGGNet
یادگیری انتقالی ویدئو
یادگیری انتقالی (Transfer Learning) و نحوه استفاده از آن برای حل مثال Coivd19
پروژه تشخیص خنده - بخش اول ویدئو
نحوه FaceDetection به کمک MTCNN
پروژه تشخیص خنده - بخش دوم ویدئو
آموزش شبکه عصبی CNN بر روی دیتاست smile
پروژه تشخیص خنده - بخش سوم ویدئو
پیاده سازی نهایی پروژه و خروجی با دقت بالا در تشخیص خنده
شبکه GAN از ایده تا پیاده سازی
بخش اول : معرفی و کاربرد شبکه GAN ویدئو
بخش دوم : ایده شبکه GAN و شهود آن ویدئو
بخش سوم : Functional API برای پیاده سازی معماری های پیچیده تر ویدئو
بخش چهارم :نکات پیاده سازی در هنگام Train شبکه GAN ویدئو
بخش پنجم : معماری شبکه Generator و لایه های کلیدی آن ویدئو
بخش ششم : معماری Discriminator و خواندن داده های Real ویدئو
بخش هفتم : خواندن داده های Fake و تابع train ویدئو
بخش هشتم : Train و نمایش نتایج خروجی ویدئو
جهت یابی ماشین خودران
دانلود فایل مقاله
فایل توضیحات و نحوه حل جهت یابی ماشین خودران
مباحث تکمیلی دوره (شناسایی اشیا)
مباحث زیر که در دوره فصل آورده شده است مربوط به شناسایی اشیا است که نمونه کاربردی از شبکه های CNN است که در طول این دوره با آن آشنا می شوید.
مشاهده این ویدیوها اجباری نیست ولی اگر در این حوزه کار میکنید یا میخواهید کمی عمیق تر کاربرد CNN ها را ببینید بسیار پیشنهاد میشود.
شبکه های R-CNN و Fast R-CNN و ...
مفاهیم پایه شناسایی اشیا ویدئو
بررسی دقیق مساله شناسایی اشیا و معیارهای ارزیابی در آن
معماری R-CNN ویدئو
معرفی کامل معماری R-CNN و نحوه عملکرد آن
معماری Fast R-CNN ویدئو
چگونه Fast RCNN مشکلات RCNN را حل کرد ؟
تابع Loss در Fast RCNN ویدئو
معرفی Multi Task Loss و درک دقیق از نحوه عملکرد آن
ابزار شناسایی اشیا Tensorflow ویدئو
معرفی و نحوه نصب Tensorflow Object Detection API
نحوه استفاده از TFOB ویدئو
یک مثال صفر تا صد از نحوه شناسایی اشیا با Tensorflow
شبکه yolo و پیاده سازی آن
مقدمه و معرفی yolo ویدئو
مقدمه و معرفی کلی yolo و بررسی ساختار کلی آن
شبکه CNN یولو ویدئو
بررسی شبکه CNN پیشنهاد شده در yolo
loss function شبکه yolo ویدئو
بررسی دقیق و بخش به بخش Loss Function شبکه yolo
فرایند test ویدئو
بررسی فرآیند test در الگوریتم yolo
کدنویسی یولو - بخش اول ویدئو
در این بخش از مدل pretrain برای شناسایی اشیا استفاده میکنیم.
کدنویسی یولو بخش دوم ویدئو
در این بخش از مدل pretrain برای شناسایی اشیا استفاده میکنیم.
سوالات متداول
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.
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.
پیشنیاز این دوره پایتون است. اگر پایتون کار نکرده اید پیشنهاد می شود دوره پایتون ویژه یادگیری ماشین را از آکادمی ربوتک بگذرانید.
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.
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.
بله – هیچگونه محدودیتی در شرکت کنندگان وجود ندارد و تمامی افراد چه دانشجو و چه غیر دانشجو می توانند در این دوره ها شرکت کنند.
ارتباط مستقیم
دوره های مرتبط
دوره مهندسی 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 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…
دوره شبکه های بازگشتی و Transformers (ترم دوم یادگیری عمیق)
تعداد ساعت سطح مدرس ۲۲ساعت و ۵۵ دقیقه متوسط و پیشرفته حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین گواهینامه…
ریاضیات ویژه هوش مصنوعی
تعداد ساعت سطح مدرس بیش از ۱۷ ساعت مقدماتی حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین گواهینامه پشتیبانی دارد…
دوره تنسورفلو پیشرفته
تعداد ساعت سطح مدرس ۱۶ ساعت و ۴۶ دقیقه متوسط و پیشرفته حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) تمرین…
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
1,400,000 تومان
