بهترین دوره‌های یادگیری عمیق در سال 2024

برای یادگیری عمیق، دوره های زیادی وجود دارد، اما میتوان گفت در زیر لیست بهترین دوره ها آورده شده است.

دوره جامع یادگیری عمیق: تسلط بر هوش مصنوعی با 40 ساعت آموزش (Tensorflow/Keras): این دوره جامع به شما کمک می‌کند تا مفاهیم پایه و پیشرفته یادگیری عمیق را با استفاده از TensorFlow و Keras بیاموزید. مناسب برای کسانی که می‌خواهند از صفر شروع کنند و به سطح حرفه‌ای برسند.

1. 1. • لینک دوره جامع
   2. CS229: یادگیری ماشین استنفورد: این دوره از استنفورد به مبانی یادگیری ماشین می‌پردازد و شامل مباحثی مانند رگرسیون، طبقه‌بندی، و خوشه‌بندی است. این دوره برای درک بهتر مبانی تئوریک یادگیری ماشین بسیار مفید است.
      • لینک CS229
   3. CS231n: شبکه‌های عصبی پیچشی برای شناسایی بصری استنفورد: این دوره تمرکز ویژه‌ای بر روی شبکه‌های عصبی پیچشی (CNN) و کاربردهای آن در شناسایی بصری دارد. مفاهیم پایه‌ای مانند پردازش تصاویر، لایه‌های پیچشی، و تکنیک‌های بهینه‌سازی در این دوره بررسی می‌شوند.
      • لینک CS231n
   4. Applied Machine Learning: این دوره در یوتیوب طیفی از مباحث یادگیری ماشین را پوشش می‌دهد، از ماشین‌های بردار پشتیبانی (SVM) تا یادگیری عمیق. این دوره به همراه پیاده‌سازی‌ها و مثال‌های عملی ارائه می‌شود.
      • لینک Applied Machine Learning
   5. Intro to Deep Learning: این دوره از دانشگاه برکلی با مقدمات یادگیری ماشین شروع می‌شود و به مباحث یادگیری عمیق مانند back propagation، CNN، RNN و Transformers می‌پردازد. مناسب برای دوران جمع‌بندی و مرور سریع مفاهیم.
      • لینک Intro to Deep Learning
   6. Full Stack Deep Learning: این دوره تمرکز بر پر کردن فاصله بین آموزش مدل‌ها و دیپلویمنت آن‌ها دارد. با ویدیوهای عملی و به‌روز که شامل آزمایشگاه‌های واقعی است، به شما کمک می‌کند تا فرآیندهای عملی را بهتر درک کنید.
      • لینک Full Stack Deep Learning
   7. CS 329S: طراحی سیستم‌های یادگیری ماشین: این دوره از استنفورد بر روی طراحی، مقیاس‌پذیری و دیپلویمنت سیستم‌های یادگیری ماشین تمرکز دارد. مناسب برای کسانی که می‌خواهند به طراحی سیستم‌های پیچیده و بزرگ بپردازند.
      • لینک CS 329S
        
   8. fast.ai: Practical Deep Learning for Coders: این دوره توسط جرمی هاوارد طراحی شده است و یکی از محبوب‌ترین دوره‌ها برای یادگیری عملی یادگیری عمیق است. این دوره به شما کمک می‌کند تا به سرعت مدل‌های یادگیری عمیق کاربردی بسازید.
      • لینک fast.ai
        

1. Deep Learning Specialization at NYU (Spring 2021): این دوره، که توسط پروفسور Yann LeCun ارائه می‌شود، به آموزش مفاهیم پایه‌ای و پیشرفته‌ی یادگیری عمیق می‌پردازد. شامل سرفصل‌هایی مانند یادگیری نظارتی و غیرنظارتی، شبکه‌های عصبی بازگشتی، و شبکه‌های عصبی پیچشی است. این دوره برای دانشجویان و محققانی که علاقه‌مند به عمق بیشتری در فهم ماشینی هستند بسیار ایده‌آل است. لینک دوره NYU DLSP21
   
2. Practical Deep Learning for Coders, Part 2: این بخش از دوره fast.ai، به توسعه مهارت‌های یادگیری عمیق می‌پردازد و شامل موضوعاتی مانند تکنیک‌های جدید در یادگیری انتقالی، تولید متون با استفاده از مدل‌های مانند GPT و بینایی کامپیوتری است. مناسب برای کسانی که می‌خواهند دانش عملی خود را در ساخت مدل‌های پیچیده و کاربردی یادگیری عمیق تعمیق بخشند. لینک Practical Deep Learning for Coders, Part 2

این دوره‌ها مسیر کاملی را از مبانی تا پیشرفته‌ترین مباحث یادگیری عمیق پوشش می‌دهند و به شما کمک می‌کنند تا مهارت‌های خود را در این زمینه به سطح بالاتری برسانید. همچنین توجه داشته باشید که یادگیری عمیق یک حوزه وسیع است و مباحثی مانند Graph Neural Networks (GNNs) و دیگر موضوعات پیشرفته ممکن است در این دوره‌ها به طور کامل پوشش داده نشود. برای دسترسی به منابع بیشتر و ادامه مسیر یادگیری، از لینک Arc.net folder استفاده کنید.

علاوه بر دوره‌های اصلی هوش مصنوعی، دانستن مهارت‌های زیر نیز برای پیشرفت در این زمینه و فعالیت در بازارکار حیاتی است:

برنامه‌نویسی Python:

• برنامه‌نویسی شی‌گرا و الگوهای طراحی (Design Patterns)
• توسعه API با استفاده از Flask برای ساخت API‌های ساده

استقرار (Deployment):

• استفاده از Docker برای بسته‌بندی و توزیع برنامه‌ها

استقرار مدل‌های یادگیری ماشین:

• استفاده از ONNX برای استانداردسازی مدل‌ها
• TensorFlow Serving برای خدمات دهی مدل
• بهینه‌سازی مدل‌ها برای استفاده در تولید (Quantization)

مفاهیم تخصصی پیشنهادی برای پیشرفت بعد از دوره آموزشی جامع دیپ لرنینگ:

• مدل‌های توجه و توالی مانند RNN، LSTM، GRU، Seq2Seq و مدل‌های توجه
• مدل‌های Transformer، که اساسی هستند برای فهم عمیق‌تر (دوره‌های پیشرفته در Stanford و class.vision)
• مدل‌های پخش (Diffusion models) و شبکه‌های مولد تقابلی (GAN) برای تولید داده‌های جدید
• مدل‌های نیمه‌نظارتی و خودنظارتی و مدل‌های پایه‌ای

کتاب‌های کاربردی:

• “Deep Learning with Python” نوشته فرانسوا شوله
• “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow” انتشارات اوریلی