deeeep learning page image

مسیر یادگیری deep learning (یادگیری عمیق)

برنامه نویسی پایتون
  • زمان تخمینی: ۱۲ ساعت
  • زبان دوره: انگلیسی
  • قیمت: رایگان

شما برای کار در این فیلد نیاز داری با زبان پایتون (Python) و کتابخانه هایی نظیر Numpy، Matplotlib و pandas آشنا باشید. منابع و ویدیوهای رایگان زیادی در این زمینه وجود دارد.

اگر با این موارد آشنایی ندارید توصیه میکنم کورس آنلاین و رایگان ماکروسافت در edx را بگذرانید.
این کورس آنلاین وقت زیادی از شما نمیگیرد و در کمتر ۱ هفته آن را تمام خواهید کرد !

البته سایت های فارسی زیادی هم این مباحث را پوشش می‌دهند که با جست و جو میتوانید به راحتی پیدا کنید.

لینک دوره:

Introduction to Python for Data Science

گام 1
آشنایی مقدماتی با یادگیری عمیق
  • زمان تخمینی با مطالعه و انجام تمرین: ۲۴ ساعت
  • زبان دوره: فارسی

در گام بعدی توصیه میکنم با یک فریم ورک سطح بالا چند پروژه عملی انجام داده و به صورت abstract و  بدون درگیری با جزئیات قضیه یادگیری عمیق را فرابگیرید.

بدین منظور یک دوره ۱۲ ساعته با موضوع یادگیری عمیق در فریم ورک تنسرفلو – keras آماده شده است.

لینک دوره:

دوره آموزشی Deep Learning با Keras

گام 2
درک دقیق‌تر مفاهیم یادگیری عمیق و مباحث بیشتر
  • زمان پیشنهادی: حداقل ۳ ماه
  • زبان: فارسی و انگلیسی
  • قیمت: رایگان

در این گام شما توانایی انجام پروژه و آموزش مدل های خودتان را پیدا کرده اید.

در این گام نیاز دارید:

  1. مفاهیم پایه را  دقیق تر بررسی کنید.
  2. با شبکه های دیگری مثل RNN ها و GAN ها و … آشنا شوید.
  3. پروژه های بیشتری انجام دهید.
گام 3

گام های بعدی

دوره های پیشنهادی برای پیشرفت در این مسیر
دوره andrew NG

خب بی شک بهترین کورس آنلاینی که میتونم بهتون معرفی کنم ۵ تا کورس پروفسور Andrew Ng در سایت کورسرا است.
این کورس را به صورت رایگان هم میتوانید عضو شده و ببینید. فیلمها در سایت های دیگر نیز آپلود شده و با کمی جست و جو به راحتی پیدایش میکنید.

لینک: Deep Learning Specialization

دوره بازشناسی چهره

اگر میخواهید یک پروژه ی عملی در حوزه ی چهره فارسی انجام دهید، فیلم + اسلاید + سورس کد ها به صورت رایگان در درسترس شما است.

لینک: deep face recognition

دوره Stanford(CS231n)

این کورس از سال ۲۰۱۲ در دانشگاه استنفورد تدریس میشود و هر ساله ویدیوهای آن در یوتیوب و سیت کورس منتشر میشود.

لینک: cs231n

دوره مباحث ویژه ۲ دانشگاه شهید رجایی

خب اگر انگلیسی برایتان دشوار است ویدئو های مباحث ویژه را قرار دادم.
توصیه میکنم بعد از فیلم دوره ۱۲ ساعته که در گام دوم گفته شد، این ویدیوها را به صورت رایگان ببینید. در این ویدئو ها RNN – LSTM – GAN – Style Transfer – Multi label classification و … به همراه کدهای عملی پوشش داده شده است.

لینک: مباحث ویژه ۲

آپارات ویدیوهای تمام جلسات (یادگیری ژرف پیشرفته)

گیت‌هاب سورس کدهای یادگیری عمیق و بینایی کامپیوتر (مباحث ویژه ۱ و ۲)

دوره Fast.AI

جرمی هووارد (jeremy howard) یک مدرس یادگیری عمیق است که فریم ورک و سایت fast.ai را توسعه داده است.
همان طور که احتمالا میدانید سایت Kaggle چالش های متنوعی در زمینه های یادگیری ماشین، یادگیری عمیق و موارد مرتبط برگزار میکند که گاها جوایز بسیار خوبی نیز دارند.
جرمی هووارد یکی از افرادی است که بارها در این چالش ها جائز رتبه شده و در این کورس به صورت رایگان تجربیات خود را برای رسیدن به درصد بهتر به اشتراک میگذارد.
تکنیک های این دوره بی نظیر است، اما بر خلاف andrew ng پیوستگی مطالب خیلی بالا نیست و بهتره که حتما به deep learning آشنا باشید و بعد این ویدیوها را ببینید

لینک : Practical Deep Learning for Coders, v3

پس کتاب چی ؟

من سه تا کتاب را پیشنهاد میکنم
کتاب Deep Learning with Python

کتاب Deep Learning with Python نوشته‌ی François Chollet
این کتاب توسط نویسنده و مبدع فریمورک محبوب Kears نوشته شده و بیشتر جنبه عملی دارد و در مثال هایی عملی این فریمورک را توضیح می‌دهد.

مجموعه کتاب‌های Deep Learning for Computer Vision with Python

مجموعه کتاب‌های deep Learning for Computer Vision with Python نوشته‌ی Adrian Rosebrock
این کتاب توسط گرداننده و صاحب سایت معروف pyimagesearch.com نوشته شده است. این کتاب هم عملی و practical است.
سه تا نسخه یا باندل داره که به ترتیب از ساده تا پیشرفته شامل پروژه هایی متنوع با فریمورک کراس و زبان پایتون است.

کتاب Deep Learning از MIT Press

کتاب Deep Learning از MIT Press نوشته‌ی Ian Goodfellow ،Yoshua Bengio و Aaron Courville
این کتاب بر خلاف دو کتاب اخیر عملی نیست و به مفاهیم پایه ای و گاها ریاضیات میپردازد. Ian Goodfellow از نویسندگان اصلی این کتاب مبدع شبکه‌های GAN در یادگیری عمیق است. اگر فقط به جنبه های عملی این شبکه ها میخواهید بپردازید میتوانید از خواندن این کتاب صرف نظر کنید.