آموزش جامع مدل سازی پیشرفته یادگیری عمیق (deep learning) با پایتون

آموزش جامع مدل سازی پیشرفته یادگیری عمیق (deep learning) با پایتون

دوره آموزش مدل سازی پیشرفته و شبکه عصبی و دیپ لرنینگ، به دانشجویان و علاقمندان به هوش مصنوعی ارائه می‌شود. در این دوره، به بررسی روش‌های پیشرفته

تریلر دوره

توضیحات کامل دوره

آموزش جامع مدل سازی پیشرفته یادگیری عمیق (deep learning) با پایتوندوره آموزش مدل سازی پیشرفته و شبکه عصبی و دیپ لرنینگ، به دانشجویان و علاقمندان به هوش مصنوعی ارائه می‌شود. در این دوره، به بررسی روش‌ه...

آموزش جامع مدل سازی پیشرفته یادگیری عمیق (deep learning) با پایتون

دوره آموزش مدل سازی پیشرفته و شبکه عصبی و دیپ لرنینگ، به دانشجویان و علاقمندان به هوش مصنوعی ارائه می‌شود. 

در این دوره، به بررسی روش‌های پیشرفته مدل سازی، شبکه‌های عصبی و دیپ لرنینگ پرداخته می‌شود. هدف این دوره، آموزش تکنولوژی‌های جدید در حوزه هوش مصنوعی است که در آینده با استفاده از آن‌ها، محاسبات بسیار پیچیده را با سرعت بالا و دقت بالاتر انجام خواهند شد. با گذراندن این دوره، شما قادر خواهید بود تا با استفاده از الگوریتم‌های پیچیده، مسائل پروژکت های خود را حل کنید به سطح خوبی از دانش هوش مصنوعی برسید.

*** توجه کنید که سرفصل های ذکر شده کلی میباشید در هر قسمت و هر سرفصل ما پروژه عملی و کاربردی و تکنیک های کد زنی داریم***

 

سرفصل های دوره :

فصل اول: شبکه‌های عصبی و یادگیری عمیق

1) آشنایی اولیه با شبکه‌های عصبی 

2) آشنایی با فریم ورک های مختلف 

3) آشنایی با فریمورک تنسورفلو و کراس

4) پروژه یک برای آشنایی بیشتر 

5) پروژه دو برای آشنایی بیشتر

6) شبکه‌های عصبی کانولوشنی و پیاده‌سازی آن‌ها 

7) توابع فعال ساز 

8) کار با داده‌های حجیم

9) آشنایی با مدل های یادگیری معروف 

10) پیاده سازی یکی از مدل های معروف با کراس و تنسورفلو

11) تحلیل متنی semantic 

12)شبکه‌های چند کاناله  

13) خلاصه فصل

فصل دوم :مباحث پیشرفته

1) شبکه‌های بازگشتی

2) یادگیری انتقالی

3) پروژه سیستم مترجم هوش مصنوعی

4) مباحث باقی‌مانده و خلاصه 

5) مباحث باقی‌مانده و خلاصه 

 فصل سوم : مباحث تکمیلی مهم

1) آشنایی با reinforcement learning 

2) پروژه تاکسی خودران با یادگیری تقویتی (اختیاری)

3) آشنایی با Federated learning

4) آشنایی با متالرنینگ

5) آشنایی با شبکه‌های Generative learning

6) دامه راه 

 

 

 


سرفصل‌های دوره

  • پیش از شروع بخش اول
    رایگان 00:05:00
  • آماده سازی و شناخت محیط های عملیاتی
    رایگان 00:05:00
  • بررسی سر فصل های دوره
    رایگان 00:05:38
  • اشنایی با مفاهیم شبکه عصبی | نحوه محاسبه Loss | به روزرسانی وزن ها بخش اول
    00:18:00
  • اشنایی با مفاهیم شبکه عصبی | نحوه محاسبه Loss | به روزرسانی وزن ها بخش دوم
    00:16:00
  • مثالی دیگر از معادله درجه یک
    00:08:00
  • بررسی فریم ور ک های مختلف برای پیاده سازی شبکه های عصبی
    رایگان 00:05:00
  • بررسی ماژول keras | بررسی شبکه های عصبی با tensorflow playground
    رایگان 00:17:00
  • پیاده سازی شبکه عصبی برای حل مثال Mnist
    00:19:10
  • پیاده سازی شبکه عصبی برای حل مثال Mnist بخش دوم
    00:23:00
  • بررسی نکات بیشتر درباره شبکه عصبی و نکات بیشتر
    00:20:00
  • قسمت ویژه | فلش بک به دوره ماشین لرنینگ و بررسی هم بستگی میان داده ها
    00:18:30
  • پیاده سازی شبکه عصبی برای تشخیص بیماری قبلی
    00:25:00
  • پیاده سازی یک مدل برای دیتاهای خطی برای بررسی Regression
    00:20:00
  • پیاده سازی یک مدل برای دیتاهای غیر خطی و Fine Tune مدل قبلی
    رایگان 00:10:12
  • بررسی کامل توابع فعال ساز | Activation functions
    00:05:12
  • استفاده از Activation functions برای حل مسایل غیر خطی
    00:05:24
  • بررسی شبکه های کانولوشنی بخش اول
    رایگان 00:15:32
  • بررسی شبکه های کانولوشنی بخش دوم | بررسی stride و kernel
    00:09:00
  • قسمت اضافه : معرفی منابع برای شبکه های عصبی
    رایگان 00:02:00
  • پیاده سازی شبکه کانولوشنی و حل مثال دست نوشته بخش اول
    00:22:00
  • بررسی overfit و underfit
    00:10:00
  • بررسی نکات و جزییات بررسی overfit بر روی مدل
    00:11:32
  • بررسی padding و استفاده در شبکه کانولوشنی
    00:10:00
  • پیاده سازی شبکه عصبی برای تشخیص Fashion Mnist | مفهوم DropOut
    00:33:00
  • پیاده سازی شبکه عصبی برای تشخیص نوع جاندار | کار با داده های حجیم | Augment data
    00:20:00
  • پیاده سازی شبکه عصبی برای تشخیص نوع جاندار | کار با داده های حجیم | Augment data بخش دوم
    00:19:00
  • Semantic با شبکه های عصبی | متن کاوی بر روی داده های نظرات IMDB
    رایگان 00:23:00
  • Semantic با شبکه های عصبی | متن کاوی بر روی داده های نظرات IMDB بخش دوم
    00:05:00
  • ساخت مدل Smantic | اشنایی با مفهوم کانولوشن یک بعدی | Embedding|
    00:22:00
  • ساخت مدل Smantic | اشنایی با مفهوم کانولوشن یک بعدی | Embedding| بخش دوم
    00:23:00
  • بررسی مفهوم شبکه های چند کاناله و پیاده سازی
    00:20:00
  • تست از مدل آموزش دیدمون برای تشخیص نظر کاربران
    00:15:00
  • بررسی و جمع بندی فصل
    00:06:00
  • بررسی شبکه های عصبی بازگشتی
    رایگان 00:12:00
  • بررسی LSTM و انواع شبکه های بازگشتی
    00:19:00
  • ساخت شبکه بازگشتی برای پیش بنیی قیمت سهام شرکت اپل
    00:20:00
  • ساخت شبکه بازگشتی برای پیش بنیی قیمت سهام شرکت اپل بخش دوم
    00:16:00
  • بررسی Transfer learning و استفاده از شبکه ResNet
    رایگان 00:15:17
  • بررسی Transfer learning و استفاده از شبکه ResNet بخش دوم
    00:19:05
  • بررسی Transfer learning و استفاده از شبکه ResNet بخش سوم
    00:10:00
  • بررسی Transfer learning و بررسی قفل لایه ها
    00:12:00
  • بررسی و خلاصه transfrer| سخنی کوتاه راجع واقعیت
    00:12:00
  • پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی
    00:21:00
  • پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی بخش دوم
    00:18:00
  • پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی بخش سوم
    00:13:00
  • پیاده سازی شبکه عصبی برای حل رابطه جمع ریاضی ایجاد Model
    00:15:00
  • بررسی learning های مختلف
    00:10:00
  • بررسی Reinforcement learning
    رایگان 00:10:00
  • بررسی Federated learning
    00:08:00
  • سخنی کوتاه و پایانی
    رایگان 00:03:00

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

750,000 تومان
225,000 تومان
70% تخفیف

این دوره شامل:
12:5:00 ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/06
آخرین به‌روزرسانی: 2026-11-01 00:17:34
تعداد امتیازها: 0
تعداد دانشجو:
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: