مهلت باقی مانده تا پایان تخفیف
قدرت پیاده سازی مقالات داشته باشید.
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.
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.
نظرات شرکت کنندگان
ویدیوهای دوره به چه صورت است ؟
این دوره قبلا یک بار برگزار شده است و ویدیوهای همان دوره به صورت تدوین شده (با کیفیت بالا) در اختیار شرکت کنندگان قرار می گیرد. سعی شده است در تدوین حداکثر طول ویدیوها ۲۰ تا ۳۰ دقیقه باشد تا خستگی کمتری ایجاد شود. پیشنهاد می شود هر سرفصل را برای یک هفته در نظر بگیرید و مجموعا دوره را در ۷ هفته به اتمام برسانید.
نمونه دموی دوره در زیر آورده شده است :
زمان آپلود و دسترسی به ویدیوها
ویدیوهای دوره به صورت هفته به هفته آپلود میگردد. زمان بندی به این صورت است که هفته اول روز سه شنبه ۳۰ فروردین آپلود می گردد و هفته به هفته سه شنبه ها یک جلسه کامل آپلود میگردد.
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
گروه پشتیبانی تلگرامی
پس از ثبت نام به لینک گروه دسترسی خواهید داشت.
لینک گروه تلگرامی
سرفصل ها
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
اسلایدها
اسلایدهای هفته اول
تمارین تمرین
تمارین هفته اول
برنامه هفتگی
برنامه ریزی هفته اول
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
اسلاید
اسلایدهای هفته دوم
تمرین تمرین
تمارین هفته دوم
دیتاست ها
دیتاست های مورد استفاده در هفته دوم
برنامه هفتگی
برنامه ریزی هفته دوم
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
اسلاید
اسلایدهای هفته دوم
تمرین تمرین
تمارین هفته دوم
برنامه هفتگی
برنامه ریزی هفته دوم
ادامه شبکه Siamese و پیاده سازی کامل 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
بخش چهارم : لایه نویسی ویدئو
مقدمه ای بر لایه نویسی در Keras , Tensorflow
اسلاید
اسلایدهای هفته دوم
تمرین تمرین
تمارین هفته دوم
برنامه هفتگی
برنامه ریزی هفته دوم
دیتاست
دیتاست تمرین هفته چهارم
نمونه کد
نمونه کد شبکه Siamese
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
اسلاید
اسلایدهای هفته دوم
تمرین تمرین
تمارین هفته دوم
برنامه هفتگی
برنامه ریزی هفته دوم
کدهای هفته پنجم
کدهای استفاده شده در کلاس برای هفته پنجم
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
اسلاید
اسلایدهای هفته دوم
تمرین تمرین
تمارین هفته دوم
برنامه هفتگی
برنامه ریزی هفته ششم
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
اسلاید
اسلایدهای هفته هفتم
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 و شبکه های CNN می باشد.
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.
برای دوره های آفلاین از آنجا که شما به محتوا دسترسی دارید امکان انصراف از دوره پس از ثبت نام وجود ندارد.
ارتباط مستقیم
دوره های مرتبط
دوره شبکه های بازگشتی و Transformers (ترم دوم یادگیری عمیق)
مهلت باقی مانده تا پایان ثبت نام روز ساعت دقیقه ثانیه مهلت استفاده از تخفیف به پایان رسیده است. پیشنیاز…
دوره بازشناسی چهره (face recognition)
میخواهیم حرفه ای شویم. از کجا باید شروع کنیم ؟ چگونه مقالات را در Deep Learning بررسی کنیم ؟ از…
یادگیری ماشین کاربردی
درباره دوره مهلت باقی مانده تا پایان تخفیف روز ساعت دقیقه ثانیه مهلت استفاده از تخفیف به پایان رسیده است.…
پایتون ویژه یادگیری ماشین
مهلت باقی مانده تا پایان تخفیف روز ساعت دقیقه ثانیه درباره دوره هر چه تلاش میکنم برنامه نویسی یاد نمیگیرم…
نظرات
1,200,000 تومان
ثبت نام دوره متوقف شده است
--------
قوانین ثبت دیدگاه