تعداد ساعت | سطح | مدرس |
|---|---|---|
۲۲ساعت و ۵۵ دقیقه | متوسط و پیشرفته | حامد قاسمی (دکتری هوش مصنوعی دانشگاه تهران) |
تمرین | گواهینامه | پشتیبانی |
|---|---|---|
دارد | دارد | گروه VIP تلگرامی |
معرفی دوره
دمو دوره
اطلاعات تکمیلی
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.
عضویت در گروه درس (پس از ثبت نام)
پس از ثبت نام به لینک گروه دسترسی خواهید داشت.
لینک گروه تلگرامی
سرفصل های دوره
مقدمه ای بر شبکه های بازگشتی
بخش اول : کاربرد شبکه های عصبی بازگشتی ویدئو
مقدمه و معرفی دوره و مروری بر کاربرهای شبکه های عصبی بازگشتی
بخش دوم : نحوه عملکرد شبکه های بازگشتی ویدئو
RNN ها به صورت مفهومی و شهودی چگونه کار میکنند ؟
بخش سوم : محاسبه Loss در شبکه های بازگشتی ویدئو
محاسبه خروجی در RNN ها و بررسی تابع Loss به همراه یک مثال
بخش چهارم : آپدیت وزن ها در RNN ها ویدئو
نحوه آپدیت وزن ها و آشنایی با BPTT و Truncated BPTT
بخش پنجم : RNN ها در سایرکاربردها ویدئو
چگونه از RNN ها در سایر کاربردها میتوانیم استفاده کنیم ؟
بخش ششم : مثال آموزشی از RNN ویدئو
یک مثال ساده از نحوه کار با لایه SimpleRNN در keras
بخش هفتم : مثال طبقه بندی نظرات فیلم ویدئو
حل مثال طبقه بندی نظرات فیلم با دیتاست Imdb و کتابخانه keras
سلول های LSTM و GRU
بخش اول : محو شدگی گرادیان ویدئو
مروری بر جلسه قبل و توضیح ریاضیاتی از پدیده vanishing gradient
بخش دوم : ادامه محو شدگی گرادیان و بررسی انفجار گرادیان ها ویدئو
محو شدگی گرادیان چه مشکلی ایجاد می کند. توضیح exploding gradient
بخش سوم : قسمت اول از LSTM ویدئو
معرفی سلول LSTM و آشنایی با گیت فراموشی در آن
بخش چهارم: قسمت دوم از LSTM ویدئو
نحوه اضافه کردن داده به cell state و معرفی گیت ورودی
بخش پنجم : قسمت سوم از LSTM ویدئو
تولید خروجی در LSTM و معرفی گیت خروجی
بخش ششم : معرفی لایه های LSTM و GRU در keras ویدئو
معرفی و آشنایی با لایه های LSTM و GRU در keras و نحوه استفاده از آنها
بخش هفتم : قسمت اول از مثال sentiment analysis ویدئو
چگونه از یک فضای متنی خام به بردارهای embedding برسیم ؟
بخش هشتم : قسمت دوم از مثال sentiment analysis ویدئو
توضیح کامل کد و بررسی نتایج خروجی به ازای لایه های مختلف
جلسه حل مثال (سری زمانی)
بخش اول : معرفی سری زمانی ویدئو
آشنایی با سری زمانی و انواع مسایل مورد بررسی در آن
بخش دوم : قسمت اول مثال پیشبینی دما ویدئو
قسمت اول از مثال پیشبینی دما - بررسی دیتاست هواشناسی
بخش سوم : قسمت دوم مثال پیشبینی دما ویدئو
تابع keras برای کار با سری های زمانی و بررسی پارامترهای آن
بخش چهارم : قسمت سوم مثال پیشبینی دما ویدئو
بررسی خط به خط کد و آموزش و مشاهده خروجی
بخش پنجم : بخش اول تکنیک های پیشرفته تر ویدئو
نحوه استفاده از drop out در شبکه های بازگشتی و پارامترهای آن در keras
بخش ششم : بخش دوم تکنیک های پیشرفته تر ویدئو
استفاده از شبکه های بازگشتی چند لایه و Bidirectional
طبقه بندی ویدیو
بخش اول :مروری بر video classification ویدئو
توضیح طبقه بندی ویدیو و انواع روش های آن
بخش دوم : پیاده سازی کد - قسمت اول ویدئو
نحوه خواندن داده ها و تابع استخراج فریم ها از ویدیو
بخش سوم : پیاده سازی کد - قسمت دوم ویدئو
پیاده سازی شبکه ترکیبی CNN-LSTM و آموزش آن
مدل های Encoder Decoder
بخش اول : مروری بر مساله مدل زبانی ویدئو
مروری بر مباحث جلسات قبل و فرمول بندی مساله Language Modeling
بخش دوم : معماری Encoder Decoder ویدئو
توضیح معماری Encoder Decdoer با مثالی از Image Captioning
بخش سوم : کاربردهای Encoder Decoder - بخش اول ویدئو
شبکه های Encoder Decoder چگونه در مسایل دیگر کاربرد دارند.
بخش چهارم: کاربردهای Encoder Decoder - بخش دوم ویدئو
شبکه های Encoder Decoder چگونه در مسایل دیگر کاربرد دارند.
بخش پنجم : معرفی مساله ترجمه ماشینی ویدئو
مروری بر مساله Machine Translation و معیار BLEU
بخش ششم : آشنایی کوتاه با tf.data ویدئو
معرفی کوتاه و مختصر بر tf.data و توابع مهم آن
بخش هفتم : پیش پردازش داده در MT ویدئو
پیش پردازش لازم در مساله ترجمه ماشینی و نکات مهم در آن
بخش هشتم : آماده سازی داده برای شبکه عصبی ویدئو
محاسبه تعداد ورودی ها لازم در شبکه عصبی و آماده سازی داده
بخش نهم : آموزش شبکه عصبی ویدئو
Train شبکه عصبی و رسم نمودارهای خروجی
مکانیزم Attention
بخش اول : مقدمه ای بر Attention ویدئو
بررسی Attention در زندگی عادی و اشعار !
بخش دوم : ایده کلی مکانیزم Attention ویدئو
بررسی ایده کلی و نحوه عملکرد مکانیزم توجه
بخش سوم : رابطه ریاضی Attention ویدئو
بررسی دقیق رابطه ریاضی مکانیزم Attention مقاله Bahdanau
بخش چهارم : بحث بیشتر درباره Attention ویدئو
واکاوی بیشتر مکانیزم Attention و رفع برخی مجهولات
بخش پنجم : بررسی نتایج مقاله ویدئو
بررسی ضرایب محاسبه شده در مقاله اصلی Attention
بخش ششم : مکانیزم توجه Luong ویدئو
بررسی دقیق مکانیزم Attention معرفی شده در مقاله Luong
بخش هفتم : مکانیزم توجه Luong- بخش دوم ویدئو
بررسی مکانیزم توجه dot product و global, local attention
بخش هشتم : Attention در تصاویر ویدئو
چگونه میتوانیم از Attention در Image Captioning استفاده کنیم ؟
Encoder در Transformer
بخش اول : مقدمه و پیشنیاز ها ویدئو
مقدمه ای بر Transformer ها و توضیح چند مبحث پیشنیازی مهم
بخش دوم : بررسی کلیات Transformer ویدئو
بررسی اجزای Transformer به صورت کلی و ورودی و خروجی Encoder
بخش سوم : لایه self-attention قسمت اول ویدئو
بررسی دقیق لایه self-attention خام و درک دقیق آن
بخش چهارم : لایه self-attention قسمت دوم ویدئو
بررسی نسخه وزن دار از لایه self-attention
بخش پنجم : Multi-Head Attention و FFN ویدئو
آموزش Multi-Head Attention و FFN معرفی شده در مقاله به همراه رابطه آن
بخش ششم : مقدمه ای بر Positional Encoding ویدئو
بررسی کلیات Positional Encoding در Transformer
بخش هفتم : مروری کوتاه بر Normalization ویدئو
مروری مختصر بر انواع روش های نرمالیزیشن در شبکه های عصبی عمیق
Decoder در Transformer
بخش اول : کلی ترین تعریف از مکانیزم Attention ویدئو
تعریف کلی و جامع از مکانیزم Attention به کمک ساختار KQV
بخش دوم : ساختار کلی Decoder ویدئو
توضیح ساختار کلی Decoder و نقش هر قسمت
بخش سوم : بررسی ایراد self-attention خام ویدئو
چرا self-attention معرفی شده باید در اینجا کمی تغییر کند ؟
بخش چهارم : توضیح masked self attention ویدئو
آموزش masked self attention و تکمیل بحث Decoder
بخش پنجم :خروجی Transformers ویدئو
بررسی خروجی Decoder و پرسش و پاسخ با شرکت کنندگان
بخش ششم : Huggingface Transformers ویدئو
معرفی اکوسیستم Huggingface و آشنایی با Huggingface Transformers
Positional Encoding و BERT
بخش اول : آشنایی با Positional Encoding- قسمت اول ویدئو
چرا به Positional Encoding نیاز داریم و ایده های اولیه
بخش دوم: آشنایی با Positional Encoding- قسمت دوم ویدئو
بررسی PE در مقاله Transformer و کمی شهود درباره آن
بخش سوم : مروری بر GPT-1 ویدئو
بررسی معماری GPT-1 و نحوه تولد BERT
بخش چهارم : نکات تکمیلی BERT - قسمت اول ویدئو
معرفی انواع مدل های BERT و Task هایی که برای آموزش استفاده شده است.
بخش پنجم : نکات تکمیلی BERT - قسمت دوم ویدئو
ادامه نکات مربوط به BERT و پرسش و پاسخ با شرکت کنندگان
بخش ششم : نکات تکمیلی BERT - قسمت سوم ویدئو
بررسی نکات باقی مانده از مقاله BERT و نتایج مربوط به آن
حل مثال طبقه بندی ویدیو با BERT
بخش اول : Tokenizer در Huggingface ویدئو
کار با Tokenizer در کتابخانه Huggingface - بخش اول
بخش دوم : ادامه Tokenizer و خروجی گرفتن از BERT ویدئو
ادامه کار با کلاس Tokenizer و نحوه خروجی خام گرفتن از BERT در Huggingface
بخش سوم : حل مثال طبقه بندی - قسمت اول ویدئو
مثال تشخیص فاجعه طبیعی از روی توییت ها - قسمت اول
بخش چهارم: حل مثال طبقه بندی - قسمت دوم ویدئو
مثال تشخیص فاجعه طبیعی از روی توییت ها - قسمت دوم
نظرات شرکت کنندگان
دسترسی به محتوا (پس از ثبت نام)
مدرس دوره کیست ؟
حامد قاسمی
- دانشجوی دکتری هوش مصنوعی دانشگاه تهران
- پژوهشگر آزمایشگاه تعامل انسان و ربات دانشگاه تهران
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 ، دوره یادگیری عمیق ترم اول و اگر با مباحث آن آشنا نیستید میتوانید از این لینک میتوانید آن را تهیه کنید.
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.
ارتباط مستقیم
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…
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…
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
1,600,000 تومان
