مجموعه تخصصی یادگیری عمیق Andrew NG – کورسرا
اگر شما علاقه مند به مباحث هوش مصنوعی و یادگیری ماشینی باشید حتما نام پروفسور Andrew Ng را شنیده اید! پروفسور Andrew Ng یکی از سرشناس ترین افراد حوزه هوش مصنوعی و یادگیری ماشینی محسوب می شود و تقریبا هر کسی که می خواهد وارد این حوزه شود احتمالا اولین پیشنهادی که برای یادگیری مفاهیم این حوزه از طرف متخصصین دریافت می کند شرکت در دوره محبوب و معروف یادگیری ماشینی این استاد است.
اندرو-انگ (ان-جی به اشتباه گفته میشود)، 5 دوره ی مفید برای علاقه مندان به دیپ لرنینگ در کورسرا منتشر کرده که میتونید هم از طریق واد سایت کورسرا هم از طریق کانال آپارات ببینید.
این 5 دوره در سایت کورسرا:
این 5 دوره در آپارات به تفکیک هر دوره:
اندور-انگ 5 دوره به ترتیب زیر تحت عنوان Deep learning specialization منتشر کرده است:
- شبکه های عصبی و یادگیری عمیق (Neural Networks and Deep Learning)
- بهبود شبکه های غصبی عمیق: تنظیم پارامترهای شبکه عصبی، رگولاریزیشن و بهینه سازی
1-شبکه های عصبی و یادگیری عمیق (Neural Networks and Deep Learning)
در دوره ی اول که «شبکه های عصبی و یادگیری عمیق» نام دارد، شما با مفاهیم ابتدایی یادگیری ماشینی اشنا خواهید شد و پس از پایان این دوره قادر خواهید بود که با فناوری هایی که باعث رشد یافتن یادگیری عمیق می شوند آشنا شوید، قادر به ساخت و آموزش شبکه های عمیق کاملا متصل بشوید، با پارامترهای اصلی در معماری شبکه های عصبی آشنا گردید.
2-بهبود شبکه های غصبی عمیق: تنظیم پارامترهای شبکه عصبی، رگولاریزیشن و بهینه سازی
یا
Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization
پس از این که در دوره ابتدایی مجموعه تخصصی یادگیری عمیق، یاد گرفتیم که چگونه با استفاده از پایتون شبکه های عصبی عمیق را بسازیم و آموزش دهیم، در این دوره یاد خواهیم گرفت که چگونه پارامترهای یک شبکه عصبی را تنظیم کنیم تا عملکرد بهتری را به دست آوریم. پس از گذراندن این سه هفته و یادگیری کتابخانه معروف تنسورفلو قادر خواهیم بود که:
-
بهترین رویه های موجود در صنعت برای ساخت برنامه های یادگیری عمیق را بشناسیم.
-
از فنون و نکته های ریز رایج ساختن شبکه های عصبی مانند مقدار دهی (initialization)، نرمال سازی دسته ای، dropout regularization، به صورت موثرتر و کاراتری استفاده کنیم.
-
مجموعه وسیعی از الگوریتم های بهینه سازی مانند گرادیان نزولی دسته ای، مومنتوم (Momentum)، RMSprop و Adam را پیاده سازی کنیم.
-
و …
3-ساختاردهی پروژه های یادگیری ماشینی (Structuring Machine Learning Projects)
در سومین دوره از مجموعه تخصصی یادگیری عمیق پروفسور Andrew Ng به صورت عمده بر روی مباحث تجربی انجام پروژه های یادگیری ماشینی تمرکز می شود. نکته ای که این دوره را منحصر به فرد می کند این است که مباحث این دوره اغلب بر اساس تجربیات خود آقای Andrew Ng در پروژه های یادگیری ماشین تهیه شده اند و شاید در هیچ کتاب یا دوره ای نتوان مشابه آن ها را پیدا کرد. برای همین توصیه می شود که اگر به مباحث نظری یادگیری ماشین مسلط هستید این دوره را از دست ندهید چون می تواند نکاتی را در پیاده سازی الگوریتم ها در اختیار شما قرار بدهد که کارایی شما را به طرز قابل توجهی افزایش دهد.
در پایان این دوره شما قادر خواهید بود که:
-
خطاها موجود در سیستم یادگیری ماشین را شناسایی کنید.
-
روش های کاهش خطایی که امیدوارانه ترین نتایج را می دهند کشف و اوولیت بندی کنید.
-
با مباحث پیشرفته یادگیری ماشین مانند مجموعه های نامتوازن داده های تست و اموزش و مقایسه آن ها با عملکرد انسانی آشنا شوید.
4-شبکه های عصبی کانولوشنالی (Convolutional Neural Networks)
شبکه های عصبی کانولوشنال چهارمین دوره از مجموعه تخصصی یادگیری عمیق پروفسور Andrew Ng در سایت Coursera است. در این دوره به شما یاد داده می شود که چگونه شبکه های عصبی کانولوشنال را که بخش بسیار مهمی از یادگیری عمیق هستند و در سال های اخیر باعث پیشرفت خارق العاده ای در حوزه بینایی ماشین شده اند ، را بسازید و به طور خاص آن ها را بر روی تصاویر به کار ببرید.
در این دوره به صورت خاص با مطالب زیر آشنا خواهید شد:
– چگونه یک شبکه عصبی کانولوشنال را بسازیم.
– چگونه از این شبکه ها برای مسائل شناسایی و تشخیص بصری بهره ببریم.
– چگونه از شبکه های عصبی برای تولید آثار هنری استفاده کنیم.
– این الگوریتم های مختلف را بر روی تصاویر، ویدئو ها و داده های دوبعدی و سه بعدی به کار ببریم.
همچنین در این دوره به صورت مختصر چهارچوب یادگیری عمیق کراس نیز آموزش داده می شود.
5-مدلهای دنباله ای یا توالی (Sequence Models)
در پنجمین دوره تخصصی Deep Learning با مدل های توالی و کاربردهای هیجان انگیز آنها مانند تشخیص گفتار، سنتز موسیقی، چت بات ها، ترجمه ماشینی، پردازش زبان طبیعی (NLP) و غیره آشنا می شوید.
در پایان، می‌توانید شبکه‌های عصبی بازگشتی (RNN) و انواع پرکاربرد مانند GRU و LSTM را بسازید و آموزش دهید. RNN ها را برای مدل سازی زبان در سطح کاراکتر اعمال کنید. کسب تجربه با پردازش زبان طبیعی و تعبیه کلمه. و از توکن سازها و مدل های ترانسفورماتور HuggingFace برای حل وظایف مختلف NLP مانند NER و Question Answering استفاده کنید.
مطالب زیر را حتما مطالعه کنید
منابع آموزشی برای شبکه های عصبی گرافی (GNN) – بخش دوم (منابع ویدیویی)
شبکه های عصبی گرافی یا Graph Neural Network (به اختصار...
منابع آموزشی برای شبکه های عصبی گرافی (GNN) – بخش اول
شبکه های عصبی گرافی یا Graph Neural Network (به اختصار...
دیدگاهتان را بنویسید