مسیر یادگیری deep learning (یادگیری عمیق)
- 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:
- زمان تخمینی با مطالعه و انجام تمرین: 80 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 40 ساعته با موضوع دوره جامع یادگیری عمیق در فریم ورک تنسرفلو – keras آماده شده است.
لینک دوره:
دوره جامع یادگیری عمیق: تسلط بر هوش مصنوعی با 40 ساعت آموزش (Tensorflow/keras)
- 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:
- مفاهیم پایه را دقیق تر بررسی کنید.
- با شبکه های دیگری مثل RNN ها و GAN ها و … آشنا شوید.
- پروژه های بیشتری انجام دهید.
گام های بعدی
دوره های پیشنهادی برای پیشرفت در این مسیر
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.
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
این کورس از سال ۲۰۱۲ در دانشگاه استنفورد تدریس میشود و هر ساله ویدیوهای آن در یوتیوب و سیت کورس منتشر میشود.
لینک: cs231n
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)
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
پس کتاب چی ؟
من پنج تا کتاب را پیشنهاد میکنم
کتاب Deep Learning with Python نوشته‌ی François Chollet چاپ دوم
کتاب "Deep Learning with Python" نوشته‌ی François Chollet، چاپ دوم، یکی از منابع برجسته برای یادگیری عمیق است که توسط مبدع فریمورک محبوب Keras تألیف شده است. این کتاب به دلیل جنبه‌ی عملی و کاربردی‌اش شناخته میشود و به طور ویژه به آموزش استفاده از فریمورک Keras در پروژه‌های یادگیری عمیق پرداخته است. با استفاده از مثال‌های عملی و پروژه‌های واقعی، Chollet مفاهیم پیچیده‌ی یادگیری عمیق را به روشی قابل فهم و کاربردی توضیح می‌دهد. این کتاب برای افرادی که می‌خواهند به طور عمیق با Keras آشنا شوند و مهارت‌های عملی خود را در زمینه یادگیری عمیق ارتقاء دهند، منبعی بسیار ارزشمند است.
کتاب "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition" نوشته‌ی Aurélien Géron، یکی از منابع معتبر و عملی در زمینه یادگیری ماشین است. این کتاب با تمرکز بر استفاده از ابزارهای قدرتمند مانند Scikit-Learn، Keras، و TensorFlow، به خوانندگان امکان می‌دهد تا به طور عمیق با مفاهیم و تکنیک‌های یادگیری ماشین آشنا شوند. ویرایش دوم این کتاب شامل به‌روزرسانی‌ها و پیشرفت‌های اخیر در این فریمورک‌ها است و با استفاده از مثال‌های کاربردی و پروژه‌های واقعی، اصول و روش‌های یادگیری ماشین را به شیوه‌ای عملی و درک‌پذیر آموزش می‌دهد. این منبع برای کسانی که به دنبال یادگیری عملی و کاربردی در زمینه یادگیری ماشین هستند، بسیار مفید و ارزشمند است.
مجموعه کتاب‌های "Deep Learning for Computer Vision with Python" نوشته‌ی Adrian Rosebrock، گرداننده و صاحب وب‌سایت معروف pyimagesearch.com، یکی از منابع کلیدی در زمینه یادگیری عمیق برای بینایی کامپیوتری است. این مجموعه شامل سه نسخه یا باندل است که به ترتیب از سطح مبتدی تا پیشرفته، به آموزش و پیاده‌سازی پروژه‌های متنوع با استفاده از فریمورک Keras و زبان برنامه‌نویسی Python می‌پردازد.
نسخه ابتدایی: این نسخه به مبانی یادگیری عمیق و بینایی کامپیوتری می‌پردازد و برای شروع‌کنندگان مناسب است. شامل پروژه‌های ساده و مفاهیم پایه‌ای است که به شما کمک میکند تا با اصول اولیه آشنا شوید.
نسخه متوسط: این نسخه به مباحث پیشرفته‌تر و تکنیک‌های پیچیده‌تر یادگیری عمیق می‌پردازد و شامل پروژه‌هایی است که نیازمند درک عمیق‌تری از بینایی کامپیوتری و مدل‌های یادگیری عمیق هستند.
نسخه پیشرفته: این نسخه شامل پروژه‌های پیچیده‌تر و کاربردهای پیشرفته است که به درک عمیق‌تر و توانایی‌های بالاتری نیاز دارد. این پروژه‌ها چالش‌های واقعی را در زمینه بینایی کامپیوتری حل می‌کنند و برای کسانی که به دنبال تسلط کامل بر این حوزه هستند، مناسب است.
تمامی این کتاب‌ها به صورت عملی و کاربردی نوشته شده‌اند و با استفاده از پروژه‌های واقعی و مثال‌های کاربردی، مفاهیم پیچیده را به شیوه‌ای ساده و قابل فهم آموزش می‌دهند. این مجموعه برای کسانی که قصد دارند در زمینه بینایی کامپیوتری با استفاده از یادگیری عمیق تخصص پیدا کنند، منبعی بسیار ارزشمند است.
کتاب "Deep Learning" منتشر شده توسط MIT Press و نوشته‌ی Ian Goodfellow، Yoshua Bengio و Aaron Courville، یکی از منابع برجسته در زمینه یادگیری عمیق است. این کتاب به طور عمده بر روی مفاهیم پایه‌ای و مبانی نظری یادگیری عمیق تمرکز دارد و در مقایسه با منابع دیگر، جنبه‌های عملی کمتری دارد. Ian Goodfellow، یکی از نویسندگان اصلی این کتاب، به خاطر اختراع شبکه‌های GAN (Generative Adversarial Networks) شناخته شده است. این کتاب به بررسی عمیق مباحث نظری و ریاضیات مرتبط با یادگیری عمیق می‌پردازد و برای کسانی که به دنبال درک عمیق‌تر از اصول و تئوری‌های یادگیری عمیق هستند، منبعی بسیار مفید است. اگر تمرکز شما بیشتر بر روی کاربردهای عملی و پروژه‌های واقعی است، ممکن است این کتاب گزینه‌ی مناسبی نباشد و بهتر است منابعی با رویکرد عملی‌تر را انتخاب کنید.
کتاب Deep Learning: Foundations and Concepts نوشته کریستوفر بیشاپ (Christopher M. Bishop) از انتشارات Springer، یکی از منابع کلیدی برای افرادی است که به‌تازگی وارد حوزه یادگیری ماشین و یادگیری عمیق شده‌اند و همچنین برای افرادی که در این زمینه تجربه دارند اما به دنبال درک بهتر مفاهیم پایه‌ای هستند. بیشاپ، یکی از محققان برجسته در زمینه یادگیری ماشین، با هدف ارائه یک دیدگاه جامع و پایه‌ای، این کتاب را نگاشته است تا خوانندگان با مفاهیم اساسی مانند شبکه‌های عصبی و معماری‌های مدرن یادگیری عمیق آشنا شوند. این کتاب به‌جای تمرکز بر جدیدترین تحقیقات، به اصول بنیادی و ایده‌های کلیدی می‌پردازد که با وجود سرعت پیشرفت سریع این حوزه، احتمالاً تا مدت‌ها ثابت باقی خواهند ماند.