آموزش یادگیری عمیق در متلب – از مبانی تا پیاده‌سازی – مقدماتی

آموزش یادگیری عمیق در متلب – از مبانی تا پیاده‌سازی – مقدماتی

در این دوره، با مبانی یادگیری عمیق در نرم افزار متلب آشنا می شوید. مفاهیم پایه، شبکه های عصبی و الگوریتم های یادگیری را در محیطی کاربردی یاد خواهید گرفت.

تریلر دوره

توضیحات کامل دوره

یادگیری عمیق  (Deep Learning) چیست؟ یادگیری عمیق یا Deep Learning، یکی از زیرشاخه‌های مهم و پیشرفته یادگیری ماشین است که با استفاده از شبکه‌های عصبی مصنوعی عمیق، توانایی دارد الگوهای...

یادگیری عمیق  (Deep Learning) چیست؟

یادگیری عمیق یا Deep Learning، یکی از زیرشاخه‌های مهم و پیشرفته یادگیری ماشین است که با استفاده از شبکه‌های عصبی مصنوعی عمیق، توانایی دارد الگوهای پیچیده در داده‌ها را شناسایی و تحلیل کند. از این روش در کاربردهایی مانند تشخیص چهره، ترجمه خودکار، خودروهای خودران، تشخیص بیماری‌ها از تصاویر پزشکی و پیش‌بینی سری‌های زمانی استفاده می‌شود

همچنین متلب یک نرم‌افزار و یک محیط برنامه‌نویسی است که بر پایه زبان سی، نوشته شده است. تمام داده‌ها و اطلاعات در متلب به صورت ماتریس ذخیره می‌شود و این نام (متلب) نیز از این موضوع، نشات گرفته است. متلب علاوه بر توابع فراوانی که در زمینه‌های مختلف محاسبات عددی، تحلیل داده، یادگیری ماشین، یادگیری عمیق و... دارد، قابلیت نوشتن توابع جدید را نیز دارد.

اهمیت فراگرفتن یادگیری عمیق در متلب چیست؟

نرم‌افزار MATLAB یکی از محیط‌های قوی و ساده برای تحلیل داده، مدل‌سازی، شبیه‌سازی و پیاده‌سازی الگوریتم‌ها است. تولباکس یادگیری عمیق در MATLAB به کاربران این امکان را می‌دهد تا بدون نیاز به تسلط کامل بر برنامه‌نویسی، مدل‌های پیچیده را طراحی، آموزش و ارزیابی کنند. 

همچنین یادگیری عمیق یکی از پرکاربردترین و پردرآمدترین شاخه‌های هوش مصنوعی است. بسیاری از شرکت‌ها و موسسات پژوهشی برای حل مسائل پیچیده به سراغ روش‌های یادگیری عمیق می‌روند. آشنایی با این حوزه به افراد کمک می‌کند تا توانمندی‌های تحلیلی خود را توسعه دهند، در پروژه‌های تحقیقاتی یا صنعتی مدرن مشارکت کنند و آینده شغلی خود را در حوزه‌های در حال رشد، تضمین کنند. از طرفی، MATLAB با ابزارهای گرافیکی و قابلیت‌های آماده، یادگیری این مفاهیم را برای افرادی که در ابتدای مسیر هوش مصنوعی هستند یا بیشتر به کاربرد علاقه دارند (نه فقط کدنویسی)، بسیار آسان می‌کند. بنابراین، این مهارت هم برای مبتدیان علاقه‌مند به هوش مصنوعی و هم برای متخصصانی که می‌خواهند کاربردهای عملی یادگیری عمیق را سریع‌تر یاد بگیرند، بسیار ارزشمند است.

در این فرادرس چه چیزی یاد می‌گیریم؟

ابتدا با اهمیت یادگیری عمیق در دنیای امروز آشنا می‌شویم و قابلیت‌های نرم‌افزار MATLAB را در این حوزه بررسی می‌کنیم. سپس به شیوه‌های جمع‌آوری، پیش‌پردازش و آماده‌سازی داده‌ها برای مدل‌های یادگیری عمیق در محیط متلب می‌پردازیم. در ادامه مفاهیم پایه شبکه‌های عصبی را می‌آموزیم و انواع شبکه‌ها مانند DNN و CNN را تحلیل و پیاده‌سازی می‌کنیم. در نهایت، یک پروژه عملی اجرا کرده و مراحل تنظیم، پیاده‌سازی و ارزیابی مدل را در عمل تجربه خواهیم کرد.

  • فصل یکم: مبانی یادگیری عمیق و معرفی MATLAB
    • درس ۱: اهمیت یادگیری عمیق در دنیای امروز
    • درس ۲: معرفی نرم‌افزار MATLAB و قابلیت‌های آن در یادگیری عمیق
    • درس ۳: مقایسه یادگیری عمیق در MATLAB  و دیگر زبان‌ها
  • فصل دوم: آماده‌سازی داده‌ها و پیش‌پردازش عملی
    • درس ۴: روش‌های مختلف جمع‌آوری و مدیریت داده‌ها
    • درس ۵: پیش‌پردازش داده‌ها برای یادگیری عمیق در متلب
    • درس ۶: پاک‌سازی داده‌ها و برچسب‌زنی در MATLAB
    • درس ۷: ایجاد دیتاست‌های بزرگ با تکنیک‌های افزایش داده در MATLAB
  • فصل سوم: پیاده‌سازی شبکه‌های عصبی در MATLAB  
    • درس ۸: بررسی یک شبکه عصبی عمیق (DNN) در MATLAB
    • درس ۹: مقدمات پیاده‌سازی یک شبکه عصبی عمیق (DNN) و آماده‌سازی داده‌ها در MATLAB
    • درس ۱۰: طراحی و پیاده‌سازی ساختار یک DNN و آموزش و ارزیابی مدل در MATLAB
    • درس ۱۱: بررسی شبکه‌های CNN برای طبقه‌بندی در متلب
    • درس ۱۲: پیاده‌سازی شبکه‌های CNN در MATLAB  
  • فصل چهارم: پروژه پایانی و ارزیابی کلی 
    • درس ۱۳: مقدمه‌ای بر اجرای پروژه CNN در MATLAB  
    • درس ۱۴: آماده‌سازی ساختار یک مدل از پیش آموزش‌دیده در MATLAB
    • درس ۱۵: آماده‌سازی مجموعه داده‌های CIFAR10 برای آموزش یک شبکه CNN در MATLAB
    • درس ۱۶: آموزش مدل طراحی‌شده در MATLAB
    • درس ۱۷: ارزیابی مدل آموزش‌دیده در متلب
  • فصل پنجم: راهنمایی ادامه مسیر
    • درس ۱۸: جمع‌بندی و نتیجه مباحث
    • درس ۱۹: ادامه یادگیری

سرفصل‌های دوره

  • چکیده
    0:01:19

  • اهمیت یادگیری عمیق در دنیای امروز
    رایگان 0:06:45
  • معرفی نرم‌افزار MATLAB و قابلیت‌های آن در یادگیری عمیق
    0:15:26
  • مقایسه یادگیری عمیق در MATLAB  و دیگر زبان‌ها
    0:04:32

  • روش‌های مختلف جمع‌آوری و مدیریت داده‌ها
    0:07:17
  • پیش‌پردازش داده‌ها برای یادگیری عمیق در متلب
    0:12:45
  • پاک‌سازی داده‌ها و برچسب‌زنی در MATLAB
    0:10:29
  • ایجاد دیتاست‌های بزرگ با تکنیک‌های افزایش داده در MATLAB
    0:09:21

  • بررسی یک شبکه عصبی عمیق (DNN) در MATLAB
    0:12:43
  • مقدمات پیاده‌سازی یک شبکه عصبی عمیق (DNN) و آماده‌سازی داده‌ها در MATLAB
    رایگان 0:15:44
  • طراحی و پیاده‌سازی ساختار یک DNN و آموزش و ارزیابی مدل در MATLAB
    0:12:18
  • بررسی شبکه‌های CNN برای طبقه‌بندی در متلب
    0:09:35
  • پیاده‌سازی شبکه‌های CNN در MATLAB  
    0:16:37

  • مقدمه‌ای بر اجرای پروژه CNN در MATLAB  
    0:10:04
  • آماده‌سازی ساختار یک مدل از پیش آموزش‌دیده در MATLAB
    0:10:55
  • آماده‌سازی مجموعه داده‌های CIFAR10 برای آموزش یک شبکه CNN در MATLAB
    رایگان 0:08:23
  • آموزش مدل طراحی‌شده در MATLAB
    0:12:26
  • ارزیابی مدل آموزش‌دیده در متلب
    0:08:32

  • جمع‌بندی و نتیجه مباحث
    0:02:08
  • ادامه یادگیری
    0:03:13
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • خلاصه و مرور آموزش
  • واژه‌نامه (Glossary)
  • سوالات متداول (FAQ)
  • مشاغل مرتبط
  • نمونه سئوالات مصاحبه شغلی

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

1,790,000 تومان
119,000 تومان
93% تخفیف

این دوره شامل:
7 فصل آموزشی
3:10:31 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:35:26
تعداد امتیازها: 9
تعداد دانشجو: 129
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: