دوره پیشرفته یادگیری عمیق

دومین دوره آموزشی یادگیری عمیق class.vision با موضوع “شبکه‌های بازگشتی عمیق و سری‌های زمانی با تنسرفلو ۲”

مطالب:

قسمت اول – ۱۸ دقیقه – مقدمات شبکه های بازگشتی

قسمت دوم – ۲۱ دقیقه – یک سلول (واحد) بازگشتی ساده و شبکه بازگشتی

قسمت سوم – ۳۲ دقیقه – پیاده‌سازی تخمین تابع با شبکه‌های بازگشتی ساده

قسمت چهارم – ۴ دقیقه – طول دنباله متغیر در شبکه‌های بازگشتی (۱)

قسمت پنجم – ۱۱ دقیقه – طول دنباله متغیر در شبکه‌های بازگشتی (۲)

قسمت شـشـم – ۱۹ دقیقه – محو شدگی و انفجار گرادیان‌ها در شبکه‌های بازگشتی

قسمت هفتم – ۲۶ دقیقه – شبکه‌های GRU

قسمت هشتم – ۸ دقیقه – شبکه‌های LSTM

قسمت نهم – ۹ دقیقه – دیاگرام شبکه‎های LSTM

قسمت دهم – ۹ دقیقه – مثال‌هایی از داده‌های توالی و ترتیبی

قسمت یازدهم – ۵ دقیقه – شبکه‌های بازگشتی عمیق

قسمت دوازدهم – ۳۴ دقیقه – تخمین قیمت ارزهای دیجیتال – پیش‌پردازش داده

قسمت سیزدهم – ۲۲ دقیقه – تخمین قیمت ارزهای دیجیتال – بالانس کردن داده‌ها و آموزش

قسمت چهاردهم – ۳۴ دقیقه – شبکه‌های بازگشتی برای طبقه‌بندی ویدیو – مثال تشخیص جهت حرکت توپ

قسمت پانزدهم – ۴۱ دقیقه – مثال دوم طبقه‌بندی ویدیو – بازشناسی عملکرد در ویدیو

قسمت شانزدهم – ۳۲ دقیقه – درک بردار کلمات و بازنمایی آن‌ها

قسمت هفدهم – ۱۱ دقیقه – ویژگی‌های بازنمایی کلمات و لایه Embedding

قسمت هجدهم – ۲۷ دقیقه – مثال عملی آنالوژی با بردار کلمات

قسمت نوزدهم – ۱۴ دقیقه – طبقه‌بندی متن

قسمت بـیـسـتـم – ۲۰ دقیقه – پیاده‌سازی طبقه‌بندی متن با روش Bag-of-Embeddings

قسمت بیست و یکم – ۲۹ دقیقه – طبقه‌بندی متن با شبکه بازگشتی

قسمت بیست و دوم – ۵۷ دقیقه – مدل زبانی – تولید اشعاری شبیه به شاهنامه

قسمت بیست و سوم –۱۶ دقیقه – جمع‌بندی و معرفی شبکه‌های بازگشتی دوطرفه

قسمت بیست و چهارم – ۱۴ دقیقه – مدل‌های توالی به توالی

قسمت بیست و پنجم – ۲۷ دقیقه – مثال عملی Seq2Seq برای فهم رشته عملیات ریاضی

قسمت بیست و شـشـم – ۱۵ دقیقه – مقدمات ترجمه ماشینی

قسمت بیست و هفتم – ۱۵ دقیقه – الگوریتم جست و جوی پرتو

قسمت بیست و هشـتم – ۶۰ دقیقه – مکانیزم توجه در ترجمه ماشینی

قسمت بیست و نهم – ۳۰ دقیقه – پیاده‌سازی ترجمه ماشینی در کراس برای تبدیل تاریخ

قسمت سـی‌ام – ۱۵ دقیقه – روش کمک معلم

قسمت سی و یکم – ۴۱ دقیقه – پیاده‌سازی ترجمه ماشینی با مکانیزم توجه و Teacher Forcing در تنسرفلو ۲

قسمت سی‌ و دوم – ۲۸ دقیقه – شرح تصاویر با توجه بصری

 

❌پیش‌نیاز❌

آشنایی با مفاهیم دوره قبل:

دوره آموزشی یادگیری عمیق


یا به طور خلاصه
✔️آشنایی با پایتون
✔️آشنایی با فریم ورک تنسرفلو / کراس
✔️مسلط به تعریف شبکه های تمام متصل و کانولوشنالی
✔️ آشنا به تعرف شبکه sequential API و Functional API در فریم ورک کراس

دانستن پیش نیاز های دوره برای درک مبحث ضروری است.

 

پیش نمایش دوره: https://aparat.com/v/zqbc8 (قسمتی از کلاس به صورت رایگان به عنوان پیش نمایش قرار گرفته است.)

کدها و پروژه های دوره: https://github.com/Alireza-Akhavan/rnn-notebooks

تعداد خریداران: ۱۱۶ نفر

ـــــــــــــــــــ
خرید فیلم دوره:

2,000,000 ریال – خرید

افرودن دوره قبل(مقدماتی) به سبد خرید:

1,000,000 ریال – خرید

 

پشتیبانی در صورت مشکل در روال خرید:  ۰۹۳۹۴۰۰۹۶۶۹ (فقط در تلگرام ، واتساپ ، بله)

 

مدرس: علیرضا اخوان پور، مدرس دانشگاه

13 comments / Add your comment below

  1. سلام.پیش بینی سری زمانی که اینجا گفتید پیش بینی داده های تست هست که خودمان داریم و آنها رو پیش بینی میکنیم یا پیش بینی داده ناموجود هست یا درواقع داده ای که میخوایم اونو از روی داده های موجود پیش بینی کنیم هست(که البته این مورد نظر من هست )؟خرید هردو آموزش تخفیف نداره بودجه ها دانشجویی هست ؟

      1. سلام لطفا سوالتون رو واضح تر بپرسید
        سر فصل ها و مطالب دوره نوشته شده و پیشنمایش هم در آپارات موجوده

  2. سلام
    اگه امکانش هست این کد تخفیف خرید دو دوره با هم (به مناسبت روز مهندس) رو برای کسایی که قبلا دوره مقدماتی رو خریدن و الان میخوان پیشرفته رو بخرن هم فعال کنین
    متشکر

  3. شیوه ی تدریس تان بسیار کاربردی و با توجه به مسائل روز دنیای دیپ بود. لطفا برای GAN ها آموزش بگذارید.با تشکر

  4. و برای دوره ی مقدماتی تان باید بگویم: هر شخص از هر سطح و رشته ای میتواند مباحث را دنبال کند. و تمام سوالات پیش آمده ذهن شخص را می خوانید و خودتان در حین تدریس پاسخ میدهید. متشکرم

  5. با سلام
    من کد مربوط به دریافت تصاویر از وب کم و تشخیص آبجکت هایی که نوشته اید (دوره مقدماتی) را اجرا کردم، با خطای زیر مواجه شدم، ممنون می شوم راهنمایی کنید چه کاری برا ی رفع آن باید انجام دهم
    —————————————————————————
    error Traceback (most recent call last)
    in
    ۳ while True:
    ۴ ret, frame = cap.read()
    —-> 5 frame = cv2.resize(frame,(224, 224))
    ۶ predicted = inference(frame[…,::-1])
    ۷ cv2.putText(frame, predicted, (30, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255), lineType=cv2.LINE_AA)

    error: OpenCV(4.2.0) C:\projects\opencv-python\opencv\modules\imgproc\src\resize.cpp:4045: error: (-215:Assertion failed) !ssize.empty() in function ‘cv::resize’

    1. سلام
      مطمئن شوید وبکمتان در دسترس است.
      ظاهرا متغییر frame مقداردهی نشده که به دلیل روشن نشدن وبکم خواهد بود. لطفا پس از اطمینان از صحت وبکم و اشغال نبودن آن توسط برنامه دیگر اگر ادامه داشت ارور را در وب جست و جو کنید

  6. سلام.در شبکه های عصبی معمولی میتونستیم چندین فیچر که توسط متخصص اون حوزه کاری بیان میشه علاوه بر داده خام اولیه، برای بهتر شدن آموزش به شبکه ارائه بدیم که البته بخاطر ذات خود شبکه های عصبی معمولی مشکلاتی داشتند و نمیشد مثلا تعداد لایه ها و نورونها رو زیاد در نظر گرفت و دقت هم زیاد نبود. الان در دیپ گفته میشه که نمیخواد اطلاعات اضافی به شبکه بدیم .شبکه خودش روابط موجود بین داده ها رو کشف میکنه سوال من اینه که اصولا و ساختارا نمیشه فیچر اضافی که از روی داده خام اولیه توسط خبره اون کار بدست میاد به شبکه بدیم یا لزومی نداره؟ مثلا در سری های زمانی بورس غیر از قیمت پایان و حجم معاملات میشه مثلا میانگین های مختلف به شبکه داد یا فرمولها اقتصادی که از روی داده خام اولیه داده های دیگه تولید می کنند که بیشتر ماهیت این سری ها رو بیان میکنه به شبکه داد.این اضافه کردن فیچر به صورت لایه امکان پذیر هست ؟
    و اینکه امکان هیبرید کردن چندین الگوریتم مثل شبکه های فازی و ژنتیک و… در دیپ هست؟
    اگه منابع لاتین در این زمینه دارید ممنون میشم ارائه کنید

  7. سلام مجدد
    وب کم که حتما روشن است و هیچ برنامه ی مرتبط با اون هم باز نیست
    البته قبل از آن باز هم از درست کار کردن وب کم مطمئن شدم
    وب را هم جستجو کردم و یکی دو مطلب مرتبط هم در سایت های
    stackoverflow، github و opencv.org
    پیدا کردم ولی متاسفانه هیچکدام کارگشا نبود! ):

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *