Deep Learning
دوره Deep Learning with Python
این دوره به عنوان دوره پیشرفته هوش مصنوعی طراحی گشته است تا ضمن آشنایی با رویکردهای نوین آن و طراحی مدل های کارا در این زمینه مسائل پیچیده دنیای واقعی را با دقتی نزدیک به انسان تحلیل و بررسی کند.
تمرکز اصلی این دوره بر مدل های هوشمند مبتنی بر شبکه عصبی عمیق بوده و سعی دارد با معرفی ساختار شبکه عصبی عمیق ، پارامترها و نحوه پیاده سازی و بهبود آن را نشان دهد. در ادامه این مسیر با ارتقا مدل ها و شخصی ساز آن در حوزه هایی همچون پردازش تصویر و متن با امکاناتی نظیر حافظه داینامیک و معماری انتقال دانش تجربیات جدیدی را برای دانش پذیران فراهم خواهد کرد. در انتها نیز با معرفی مدل های مطرح این حوزه یک گام فراتر گذاشته و دانش پذیران را برای ورود به بازار کار آماده می کند.
مشاوره رایگان:
60 ساعت دوره آموزشی با کیفیت و مهارتی
سرفصل دوره Deep Learning with Python
مروری بر یادگیری ماشین و شبکه های عصبی
۱. مروری بر انواع توابع آتش
۲. مروری بر نحوه محاسبه گرادیان و انواع توابع خطا
۳. مروری بر روال کلی backpropagation
۴. مروری بر روال های دسته بندی و رگرسیون
۵. مروری بر روال آموزش شبکه های عصبی در تنسورفلو و کراس
انواع Optimizationها در محاسبه گرادیان شبکه های عصبی
۱. آپدیت وزن شبکه از طریق Random search
۲. بررسی روش های ساده محاسبه گرادیان:
– گرادیان چیست
– Gradient Descent
– Mini-batch Gradient Descent
– Stochastic Gradient
– Stochastic Gradient Descent
۳. بررسی مفهوم Moving Average
– Momentum
– Nesterov Momentum
۴. محاسبه گرادیان از طریق AdaGrad
۵. محاسبه گرادیان از طریق RMSProp
۶. محاسبه گرادیان از طریق Adam
مقدمات شبکه های عصبی عمیق
.۱ Data preprocessing
– مروری بر PCA و روش های کاهش بعد
.۲ Weight Initialization
– Random
– Xavier
– HE
.۳ Batch Normalization
.۴ Hyperparameter Optimization
– بررسی روال تغییرات learning rate
– Monitor and visualize the loss
– Monitor and visualize the accuracy
۵. Regularization
– L1 / L2 regularization
– Dropout
.۶ Data Augmentation
شبکه های عمیق پیچشی Convolutional Neural Network
۱. بیان ساختار کلی شبکه های عصبی پیچشی
۲. معرفی لایه های مختلف شبکه های CNN
– لایه Fully connected
– لایه Convolutional
– لایه Polling
– لایه Softmax
۳. آشنایی با مفاهیم dim و Stride و padding
۴. معرفی معماری های مختلف شبکه های CNN
-Alexnet
-VGG
-GoogleNet
-ResNet
۵. پیاده سازی شبکه های عصبی پیچشی با KERAS
۶. پیاده سازی شبکه های عصبی پیچشی با PyTorch
معماری یادگیری انتقالی Transfer Learning
۱. معرفی رویکرد یادگیری انتقالی و کاربرد آن در CNN
شبکه های عمیق بازگشتی Recurrent Neural Network
۱. مقدماتی بر شبکه های بازگشتی
– بیان ساختار سلول شبکه های بازگشتی
– معرفی انواع مختلف شبکه های بازگشتی
– محو شدگی و انفجار گرادیان‌ها در شبکه‌های بازگشتی
۲. معرفی شبکه بازگشتی LSTM
۳. معرفی شبکه بازگشتی GRU
۴. معرفی شبکه های بازگشتی دو طرفه
معماری ترتیب به ترتیب Seq2Seq
۱. معرفی معماری ترتیب به ترتیب و کاربرد آن در RNN
تبدیل شونده ها Transformers
۱. معرفی رویکرد Transformers
۲. معرفی لایه ی Attentions
۳. معرفی مدل BERT
شبکه های عمیق Variation Autoencoders
۱. مقدماتی بر یادگیری با ناظر و بدون ناظر
۲. معرفی شبکه های Generative
۳. معرفی شبکه های Auto Encoder
۴. معرفی Variational Auto Encoder
شبکه های عمیق Generative Adversarial Networks
۱. مقدماتی بر شبکه های عصبی Gan
۲. معرفی شبکه های Deep Convolutional GAN
۳. معرفی شبکه های Semisupervised GAN
۴. معرفی شبکه های Conditional GAN
۵. معرفی شبکه های Cycle GAN
این دوره برای چه کسانی مناسب است؟
- افرادی که مشتاق یادگیری یک مهارت جدید هستند و از تمرین کردن ترسی ندارند.
- افرادی که به دنیای طراحی محصول دیجیتال علاقه دارند و قصد دارند در این تخصص حرفه‌ای باشند.
- افرادی که قصد شبکه‌سازی و تیم‌سازی دارند و دوست دارند با متخصصین این حوزه آشنا شده و همکاری کنند.
این دوره برای چه کسانی مناسب نیست؟
- افرادی که علاقه‌ای به دیزاین و خلق طرح های جذاب و البته اصولی UI ندارند.
- افرادی که حوصله تمرین کردند ندارند و می‌خواهند بدون تلاش کردن، از این تخصص به درآمد برسند.
- افرادی که به فکر تغییر در شغل کارمندی و افزایش درآمد خود نیستند و یا هدف خاصی برای آن ندارند.
اعتبار و سابقه
مدرک مجتمع فنی تهران به دو زبان فارسی و انگلیسی
مدارک صادره از مجتمع فنی تهران مورد قبول ارگان‌ها و سازمان‌های دولتی و خصوصی بوده و این سازمان افتخار برگزاری دوره‌های برون سازمانی برای بانک‌ها و موسسات خصوصی و دولتی را در محل نمایندگی و یا در سازمان طرف قرارداد داشته است.
افزون بر این، این مدرک به دو زبان فارسی و انگلیسی بوده و شما پس از تکمیل دوره آموزشی و کسب حد نصاب دریافت مدرک (یعنی حداقل نمره 60 از 100) می‌توانید مدرک خود را دریافت نمائید..
چرا در کلاس‌های مجتمع فنی تهران شرکت کنیم؟
چون دوره های کاربردی مورد نیاز بازار کار را به بهترین و کاربردی ترین شکل و با اساتیدی که از بهترین های حوزه خود می باشند خواهید آموخت و در پایان فراگیران محترم به 2 زبان انگلیسی و فارسی (با قابلیت ترجمه رسمی با مهر وزارت خارجه و دادگستری) گواهی دریافت خواهند کرد، و توضیح آنکه مدرک تحویلی مورد تائید سازمان امور استخدامی کشور نیز می باشد، علاوه بر این در صورت تمایل در واحد کاریابی مجتمع فنی تهران جهت ورود به بازار کار تشکیل پرونده خواهند داد.
44 سال سابقه
ارائه مدرک دو زبانه
آموزش‌های مهارت محور
رفع اشکال و پشتیبان فنی
به سوالات احتمالی دانشپذیران پاسخ داده‌ایم
سوالات متداول درباره دوره‌های آموزشی
پیش‌نیاز این دوره چیست؟
پیش نیاز این دوره، دوره ی Machine Learning with Python است.
دوره حضوری است یا آنلاین؟
این دوره به 3 شیوه برگزار می‌گردد.
- حضوری
- آنلاین
- ترکیبی
پشتیبانی دوره به چه صورتی است؟
مدرس دوره، گروه تلگرامی تشکیل داده و به سوالات دانشپذیران پاسخ خواهد داد.
فیلم آموزشی و محتوای دوره چگونه ارائه می شود؟
پلتفرم ارائه کلاس های آنلاین مجتمع فنی تهران این امکان را برای دانشپذیران فراهم می کند تا به ویدئو کلاس دسترسی داشته باشند.
دانشپذیر پس از پایان دوره چه توانایی هایی به دست می آورد؟
- آشنایی با انواع Optimizer ها در شبکه های عمیق عصبی به همراه کاربردهای آنان
- آشنایی با روش های مختلف مقدار دهی وزن در شبکه های عمیق عصبی
- آشنایی با انواع روش های Regularization و Augmentation جهت افزایش پیچیدگی داده ها
- آشنایی با شبکه های عمیق پیچشی به همراه انواع معماری های مطرح آن
- آشنایی با شبکه های عمیق بازگشتی به همراه انواع معماری های مطرح آن
- آشنایی با معماری ترتیب به ترتیب (Seq to Seq)
- آشنایی با معماری تبدیل شونده ها (Transformers)
- ساخت و پیاده سازی شبکه های عمیق بر اساس معماری Auto Encoder و آشنایی با معماری Variational Auto Encoder
- آشنایی با شبکه های عمیق Generative به همراه معماری های مطرح آن
آیا این دوره پروژه محور است؟
بله قطعا، دانشپذیران هم در کلاس و هم پس از آن در زمان‌های خارج از کلاس، تمرین خواهند کرد و سوالات خود را از مدرس دوره خواهند پرسید.
با گذراندن دوره و دریافت مدرک، می‌توانم وارد بازار کار شوم؟
قطعا می‌توانید. به‌شرطی که تمرین‌های کلاس را انجام داده و پس از اتمام کلاس نیز تلاش کنید تا چند نمونه کار خلق کنید.
بدیهی است که کارفرمایان با دیدن مهارت‌ها و نمونه‌کارهای ما، تصمیم می‌گیرند تا ما را استخدام کنند.
آیا ارتباط با مدرس بعد از دوره قطع میشود؟
خیر. این دوره یک گروه تلگرامی دارد که همیشه برقرار است و در صورت تمایل، می‌توانید در آن عضو باشید.
توضیحات بیشتر در خصوص این دوره
- امروزه شاهد عملکردی فراتر از انسان در مسائل گوناگون در حوزه متن ، تصویر و صدا توسط مدل های هوشمند هستیم. دستیابی به این دانش در دنیای هوش مصنوعی اغلب توسط مدل های عمیق فراهم گشته است و این مسیر ادامه دارد. درک کارکرد این مدلها و بهبود عملکرد آنان از حوزه های فعال این بخش است.
- ساخت مدل های هوشمند برای توصیف و ارزیابی پدیده های پیچیده و دشوار دنیای واقعی همواره یکی از دغدغه های شرکت های مطرح و بزرگ در عرصه ی دیجیتال است. امکان پیاده سازی این دسته از مدل ها برای دانش پذیران این دوره فراهم است.
- با توجه به بررسی مدل های گوناگون در حوزه تصاویر که عمدتا منجر به استخراج ویژگی های گوناگون از آن و تولید تصویر می شود ، امکان ورود به بازار کار در حوزه پردازش هوشمند تصاویر توسط دانش پذیران فراهم است.
- با توجه به بررسی مدل های گوناگون در حوزه متن که عمدتا منجر به ارائه تحلیل های معنایی و محتوایی از متن در کنار تولید آن در مقیاس های گوناگون میشود ، امکان ورود به بازار کار در حوزه پردازش متن توسط دانش پذیران این دوره فراهم است.
- با توجه به بررسی مدل های گوناگون در حوزه تحلیل صدا و ساخت صدا در این دوره ، امکان فعالیت در حوزه هایی همچون تولید دستیار هوشمند توسط دانش پذیران فراهم است.
- امکان استخدام به عنوان یک دانشمند داده در شرکت های بزرگ برنامه نویسی پس از گذراندن این دوره برای دانش پذیران این دوره فراهم است.
