امیـــــر وان
امیـــــر تکنولوژی
امـــــیر ساپورت
امیـــــر فارم
امیـــــر آکادمی
یادگیری عمیق با تنسورفلو و کراس
یادگیری عمیق با تنسورفلو و کراس
پرداخت آسان
پرداخت بصورت کارت به کارت
کیفیت
کیفیت تایید شده
پشتیبانی
امکان سفارش "پشتیبانی بلک"
نقد و بررسی
درباره دوره
دوره «یادگیری عمیق با تنسورفلو و کراس» در امیر آکادمی یک برنامه آموزشی جامع، کاربردی و پروژهمحور است که شما را برای ورود حرفهای به دنیای یادگیری عمیق و شبکههای عصبی آماده میکند.
در این دوره، مفاهیم پایه و پیشرفته یادگیری عمیق را بهصورت عملی با استفاده از ابزارهای قدرتمندی مانند TensorFlow و Keras یاد میگیرید—ابزارهایی که در قلب بسیاری از سیستمهای هوش مصنوعی مدرن قرار دارند.
در ابتدای مسیر، با مفاهیم بنیادین یادگیری ماشین و یادگیری عمیق آشنا میشوید و در ادامه، به سراغ پیادهسازی عملی شبکههای عصبی مختلف از جمله:
- شبکههای چندلایه (MLP)
- شبکههای کانولوشنی (CNN)
- مدلهای Sequential، Functional و Subclass
خواهید رفت.
در طول دوره، موضوعات کلیدی و بسیار مهمی مانند:
- Transfer Learning
- Overfitting و Regularization
- بهینهسازی مدلها و انتخاب ساختار مناسب شبکه
- روشهای ارزیابی عملکرد مدلها
بهصورت عمیق و کاربردی بررسی میشوند.
رویکرد آموزشی دوره
در امیر آکادمی تمرکز این دوره صرفاً بر آموزش تئوری نیست؛ بلکه شما قدمبهقدم وارد دنیای پیادهسازی واقعی میشوید.
در هر مرحله، منطق پشت کدنویسی، دلیل انتخاب معماریها و نحوه بهینهسازی مدلها بهصورت دقیق توضیح داده میشود تا بتوانید در پروژههای واقعی از این دانش استفاده کنید.
هدف دوره
هدف این دوره، تبدیل شما از یک یادگیرنده تئوری به یک توسعهدهنده عملی یادگیری عمیق است؛ بهطوری که بتوانید در حوزههایی مانند:
- پردازش تصویر
- پردازش زبان طبیعی (NLP)
- پیشبینی دادهها و سریهای زمانی
- تحلیل دادههای پیچیده
مدلهای هوشمند طراحی و پیادهسازی کنید.
این دوره مناسب چه کسانی است؟
این دوره برای افرادی طراحی شده است که:
- با مفاهیم پایه برنامهنویسی پایتون آشنا هستند
- دانش اولیهای از یادگیری ماشین دارند
- به دنبال ورود حرفهای به دنیای هوش مصنوعی و یادگیری عمیق هستند
دستاوردهای شما در پایان دوره
پس از پایان این دوره، شما قادر خواهید بود:
- انواع شبکههای عصبی (MLP و CNN) را پیادهسازی کنید
- با ساختارهای مختلف مدلسازی در Keras کار کنید
- مدلهای خود را بهینهسازی و تنظیم کنید
- از تکنیکهای مقابله با Overfitting استفاده کنید
- از مدلهای آماده در قالب Transfer Learning بهره ببرید
- پروژههای واقعی یادگیری عمیق را از صفر تا اجرا انجام دهید
چرا این دوره در آکادمی امیر متفاوت است؟
- آموزش کاملاً پروژهمحور و کاربردی
- تمرکز بر درک عمیق مفاهیم، نه فقط کدنویسی
- توضیح دقیق منطق پشت هر تصمیم در مدلسازی
- ارائه الگوهای استاندارد برای توسعه پروژههای واقعی
- مناسب برای ورود به بازار کار و پروژههای حرفهای
توضیحات تکمیلی
-
درباره دوره
دوره «یادگیری عمیق با تنسورفلو و کراس» در امیر آکادمی یک آموزش کاربردی و پروژهمحور برای ورود به دنیای شبکههای عصبی و هوش مصنوعی است. در این دوره با استفاده از TensorFlow و Keras، مفاهیم یادگیری عمیق را از پایه تا پیادهسازی عملی مدلهایی مانند MLP و CNN یاد میگیرید.
در طول دوره با موضوعاتی مانند بهینهسازی مدل، مقابله با Overfitting و Transfer Learning آشنا میشوید و در نهایت میتوانید مدلهای واقعی برای مسائل مختلف طراحی و اجرا کنید.
-
پیش نیاز
در این دوره تلاش شده مفاهیم به سادهترین شکل آموزش داده شوند؛ با این حال، برای درک بهتر مطالب، آشنایی با موارد زیر توصیه میشود:
آشنایی با برنامهنویسی پایتون
مفاهیم پایه یادگیری ماشین
کار با کتابخانههایی مانند Scikit-learn، NumPy و Matplotlib -
نوع دوره
آنلاین
-
سرفصل ها
مقدمهای بر یادگیری ماشین و یادگیری عمیق
فرایند یادگیری در یادگیری ماشین
پروژه یادگیری ماشین
سوالات تشریحی یادگیری ماشین
مروری بر تاریخچه یادگیری عمیق و معرفی عملکرد یک نورون
مدلسازی نورون
کنار هم قراردادن نورونها
پرسپترون با scikit-learn
پرسپترون
وزنها در یک شبکه عصبی مصنوعی
الگوریتم Backpropagation
تنظیمات پیشنهادی برای شبکه رگرسیون
تنظیمات پیشنهادی برای شبکه طبقهبندی
مفهوم cross-entropy
معرفی Keras
نصب تنسورفلو و کراس
دیتاست fashion mnist
تعریف مدل sequantial در کراس
لایهها و ضرایب مدل sequantial
Model Compile و Fit
ذخیره تاریخچه fit
رسم loss و دقت مدل
ارزیابی مدل روی داده تست
ساخت مدل رگرسیون برای پیشبینی قیمت خانه
wide and deep مدل
Functional API
مدل با چند خروجی
Subclass API
ذخیره و بارگذاری مدل
Callback API
tensorboard
بهینهسازی heperparameters
grid search
معرفی ابزارهای بهینهسازی مدل
مقداردهی اولیه وزنها
Non-saturating activation functions
Batch Normalization
Batch Normalization in keras
Gradient clipping
Transfer Learning
Stochastic gradient descent (SGD)
پیادهسازی gradient descent یک بعدی با پایتون
پیادهسازی gradient descent دو بعدی با پایتون
Gradient Descent with Momentum
پیادهسازی Gradient Descent with Momentum
پیادهسازی Gradient Descent with Nesterov Momentum
Adagrad
پیادهسازی Adagrad
RMSProp
Adam
پیادهسازی Adam
برنامههای زمانی learning rate
معرفی چند برنامه زمانی پراستفاده
پیادهسازی برنامه زمانی Exponential
پیادهسازی برنامه زمانی Piecewise
پیادهسازی برنامه زمانی Performance
پیادهسازی برنامه زمانی 1cycle
استفاده از برنامه زمانی 1cycle روی مدل
مرور برنامههای زمانی learning rate
l1-l2 regulaizer
Droput
Monte-Carlo Dropout
Max-Norm regualizer
شبکه کانولوشنال عمیق
عملیات کانولوشن
لایه کانولوشن
پیادهسازی کانولوشن با تنسورفلو
لایه pooling
معماری شبکه کانولوشنال عمیق
پیادهسازی شبکه کانولوشنال عمیق در کراس
معرفی شبکههای قدرتمند کانولوشنال
استفاده از یک شبکه کانولوشنال قوی در کراس
Localization
Object detection
Segmentation
امتیاز و دیدگاه کاربران
اگر این محصول را قبلا خریده باشید، دیدگاه شما به عنوان خریدار ثبت خواهد شد. همچنین در صورت تمایل میتوانید به صورت ناشناس نیز دیدگاه خود را ثبت کنید.
پرسشها
برای ثبت پرسش و پاسخ باید وارد حساب کاربری خود شوید
ورود به حساب کاربریاگر سوالی در مورد محصول داشته باشید میتوانید با ثبت پرسش سوال خود را از دیگر کاربران بپرسید
کالاهای مشابه
70+ بازدید در یک هفته اخیر
150
امتیاز
با خرید محصول دریافت میکنید
IRT 15,000,000
شمـا هـم دربـاره ایـن کــالا دیــدگاه ثبــت کنید، بــا ثبــتدیـدگاه بر روی کالاهای خریداری شده ۵ امتیاز دریافت کنید.