دوره های آموزشی

دوره جامع یادگیری عمیق: تسلط بر هوش مصنوعی با 40 ساعت آموزش (Tensorflow/keras)

Name: دوره جامع یادگیری عمیق: تسلط بر هوش مصنوعی با 40 ساعت آموزش (Tensorflow/keras) - کلاسویژن
Price: 1750000 IRT
Availability: InStock
Rating: 5.00 (15 reviews)

این دوره 40 ساعته شما را به دنیای یادگیری عمیق و هوش مصنوعی می‌برد و با مفاهیم پایه ای تا پیشرفته این حوزه آشنا می‌کند.

1.750.000 تومان

تعداد دانشجو : 161

پیش نیاز پایتون

مدت 40 ساعت

سطح مقدماتی تا پیشرفته

حالت مطالعه

این دوره تئوری و عملی بوده و پس از بیان تئوری، هر مبحث در زبان پایتون با فریم ورک تنسورفلو (Tensorflow) و کراس (Keras) پیاده سازی میشود. تمامی کدها در گیت‌هاب دوره نیز قابل مشاهده است. اگر شما به دنبال دوره‌ی آموزش هوش مصنوعی با پایتون هستید، این دوره انتخاب مناسبی برای شما خواهد بود.

دوره جامع یادگیری عمیق برای چه کسانی مناسب است؟

علاقه‌مندان به هوش مصنوعی و یادگیری عمیق
دانشجویان و فارغ‌التحصیلان رشته‌های کامپیوتر، برق، ریاضی و آمار
متخصصان IT که به دنبال ارتقای مهارت‌های خود در زمینه هوش مصنوعی هستند
هر کسی که می‌خواهد با قدرت هوش مصنوعی، مسائل دنیای واقعی را حل کند

دوره جامع یادگیری عمیق چه چیزی به شما می‌آموزد؟

مبانی شبکه‌های عصبی: در این دوره، با مفاهیم پایه ای هوش مصنوعی و شبکه های عصبی مانند نورون، تابع فعال، گرادیان کاهشی و پس انتشار خطا آشنا خواهید شد.
شبکه‌های عصبی کانولوشنالی: این بخش به طور کامل به بررسی شبکه‌های عصبی کانولوشنالی (CNN) که برای پردازش تصاویر و ویدئوها به کار می‌روند، می‌پردازد.
پردازش زبان طبیعی: در این دوره، با روش‌های پردازش زبان طبیعی (NLP) و کاربردهای آن در طبقه‌بندی متن، استخراج اطلاعات و سیستم‌های توصیه‌گر آشنا خواهید شد.
کار با داده های صوتی و گفتار: در این دوره، با روش‌های پیش پردازش و استخراج ویژگی صوت، طبقه بندی، CTC، تبدیل گفتار به متن آشنا می شوید.
موضوعات پیشرفته: در این دوره، به مباحث پیشرفته‌تر یادگیری عمیق مانند خودرمزگذار، GAN ها، تشخیص ناهنجاری می پردازیم.
پروژه‌های عملی: در طول دوره، با انجام پروژه‌های عملی، مهارت‌های خود را در زمینه یادگیری عمیق به کار خواهید گرفت.
تسلط به فریم ورک Tensorflow/Keras : در این دوره، شما با هر 3 سینتکس تعریف شبکه عصبی در فریم ورک کراس شامل Sequential، Functional API و Model Sub-classing آشنا خواهید شد و علاوه بر استفاده از روش های سطح بالای فریم ورک برای آموزش مدل، به روش های سطح پایین دسترسی به گرادیان ها و شخصی سازی کردن فرایند آموزش نیز پرداخته خواهد شد.

سرفصل‌های دوره:

فصل 0: پیش نیازهای یادگیری عمیق

این ویدیوها پیش نیاز دوره یادگیری عمیق است. اگر با مفاهیم پایه ای یادگیری ماشین، کار با داده های تصویری و مدل های خطی آشنایی دارید، می توانید این فصل را مطالعه نکنید. هدف از این فصل ارائه دید کلی از مفاهیم پایه ای است و نیازی به تسلط کامل بر جزئیات نیست. مباحث مربوط به شبکه های عصبی به طور مفصل در فصول آینده ارائه خواهد شد.

شماره	نام قسمت	مدت زمان
1	انواع یادگیری های یادگیری ماشین - باسرپرست، بدون سرپرست، تقویتی	16 دقیقه
2	طبقه بندی نزدیکترین همسایه	6 دقیقه
3	کدها و نحوه اجرا در گوگل کولب	6 دقیقه
4	پیاده سازی KNN در پایتون	29 دقیقه
5	استفاده و لود تصویر در پایتون به عنوان داده	20 دقیقه
6	آشنایی و پردازش داده های ارقام دست نویس فارسی	21 دقیقه
7	طبقه بندی ارقام دست نویس فارسی	10 دقیقه
8	رگرسیون با مدل نزدیکترین همسایه	13 دقیقه
9	تعمیم، بیش برازش و عدم تناسب	19 دقیقه
10	رگرسیون خطی	13 دقیقه
11	مدلهای خطی برای طبقه بندی و روشهای جلوگیری از بیش برازش در این مدلها	23 دقیقه
12	طبقه بندی با مدلهای خطی	12 دقیقه
	جمع:	188 دقیقه

در انتهای این فصل شما دانش مورد نیاز از یادگیری ماشین و تصویر را برای ورود به دوره و مطالعه دیپ لرنینگ را خواهید داشت.

فصل 1: مقدمه شبکه عصبی

در این فصل، شما با مفاهیم پایه‌ای شبکه‌های عصبی آشنا خواهید شد.

شماره	نام قسمت	مدت زمان
1	پرسپترون (یک نورون) چیست	20 دقیقه
2	شبکه عصبی: استفاده از چندین نورون و لزوم تابع فعالیت	24 دقیقه
3	تابع هزینه	16 دقیقه
4	یادگیری در شبکه های عصبی: گرادیان کاهشی و پس انتشار خطا	21 دقیقه
5	جمع بندی شبکه عصبی و نرخ یادگیری	30 دقیقه
6	پیاده سازی در کراس و آشنایی با Softmax	21 دقیقه
7	الگوریتم های گرادیان کاهشی: stochastic، batch و mini-batch	21 دقیقه
8	کد کامل پایتون	36 دقیقه
9	نقش داده validation در آموزش شبکه عصبی، لایه Flatten و پارامتر from_logits	29 دقیقه
10	Dropout	15 دقیقه
11	تمرین: مثال IRIS ( و اجرا در گوگل کولب)	24 دقیقه
	جمع:	257 دقیقه

با گذراندن این فصل، شما قادر خواهید بود:

اجزای اصلی یک شبکه عصبی را نام ببرید.
نحوه عملکرد یک شبکه عصبی را توضیح دهید.
الگوریتم‌های یادگیری در شبکه‌های عصبی را شرح دهید.
شبکه‌های عصبی را در محیط کراس پیاده سازی کنید.
مفاهیم تابع هزینه، نرخ یادگیری، Softmax، داده validation، لایه Flatten و Dropout را توضیح دهید.

این فصل، پایه و اساس یادگیری عمیق است و برای درک مباحث پیشرفته‌تر، ضروری است.

فصل 2: شبکه‌های عصبی کانولوشنالی

در این فصل، به طور کامل به بررسی شبکه‌های عصبی کانولوشنالی (CNN) که برای پردازش تصاویر و ویدئوها به کار می‌روند، می‌پردازیم.

شماره	نام قسمت	مدت زمان
1	مقدمه شبکه های عصبی کانولوشنالی	19 دقیقه
2	چالش Imagenet	14 دقیقه
3	لزوم سلسله مراتب در شبکه های عصبی	11 دقیقه
4	آزمایش گربه هابل و ویزل	9 دقیقه
5	کانولوشن و فیلترها	15 دقیقه
6	درک عملکرد فیلتر کانولوشن در شبکه‌های عصبی کانولوشنی (CNN)	10 دقیقه
7	ویژگی‌های مکانی فضایی و سلسله مراتب در شبکه‌های عصبی کانولوشنی (CNNs)	7 دقیقه
8	padding در کانولوشن	15 دقیقه
9	مفهوم Stride در کانولوشن	3 دقیقه
10	کانولوشن روی عکس رنگی	18 دقیقه
11	ادغام (Pooling)	11 دقیقه
12	معماری Lenet-5	13 دقیقه
13	محاسبه تعداد پارامترها در یک لایه کانولوشن	7 دقیقه
14	پیاده سازی یک شبکه عصبی کانولوشنالی در پایتون	25 دقیقه
15	ادغام میانگین سراسری (GAP)	10 دقیقه
16	ارزیابی شبکه عصبی کانولوشنی با استفاده از GAP با اندازه‌های مختلف ورودی	17 دقیقه
17	نرمال‌سازی دسته‌ای (Batchnorm)	27 دقیقه
	جمع:	231 دقیقه

با گذراندن این فصل، شما قادر خواهید بود:

شبکه‌های عصبی کانولوشنالی را طراحی و پیاده‌سازی کنید.
از شبکه‌های عصبی کانولوشنالی برای پردازش تصاویر استفاده کنید.
با مفاهیم مختلفی مانند کانولوشن، فیلترها، pooling، padding، Stride، GAP و نرمال‌سازی دسته‌ای آشنا شوید.

فصل 3: معماری‌های عمیق و انتقال یادگیری

در این فصل ابتدا میاموزیم اگر داده های ما در یک آرایه پایتونی Numpy نباشد و نتوانیم به دلیل حجم بالای دیتا آن را آرایه کنیم چگونه داده ها را به صورت کارامند لود کنیم.

سپس با معماری‌های مختلف شبکه‌های عصبی کانولوشنی مانند AlexNet، ZFNet، VGG، Inception و ResNet آشنا می‌شوید و نقاط قوت و ضعف هر کدام را بررسی می‌کنید.

در انتها Transfer learning و Fine-Tuning را خواهیم خواند.

شماره	نام قسمت	مدت زمان
1	معرفی مجموعه داده‌های گربه و سگ و ساختاردهی آن	13 دقیقه
2	استفاده از Sigmoid در طبقه‌بندی باینری و ImageDataGenerator	20 دقیقه
3	دانلود از Kaggle در محیط Google Colab	22 دقیقه
4	داده‌افزایی	25 دقیقه
5	بررسی معماری های شبکه‌های عصبی کانولوشنی	6 دقیقه
6	الکس نت	19 دقیقه
7	ZFNet	13 دقیقه
8	VGG	19 دقیقه
9	درک کانولوشن 1 در 1	9 دقیقه
10	Inception	18 دقیقه
11	ResNet	23 دقیقه
12	مدل های از پیش آموزش دیده در keras application	34 دقیقه
13	بازشناسی اشیاء با وبکم	27 دقیقه
14	مقدمه ی انتقال یادگیری (ترنسفر لرنینگ)	12 دقیقه
15	پیاده سازی انتقال یادگیری (ترنسفر لرنینگ)	33 دقیقه
16	تنظیم دقیق (Fine-tuning)	16 دقیقه
17	بررسی tf.data و Cache با مثال طبقه بندی گل	52 دقیقه
18	بارگیری داده های تصویر با image_dataset_from_directory	15 دقیقه
19	مثال طبقه بندی گربه/سگ با image_dataset_from_directory	27 دقیقه
20	نرخ های یادگیری متفاوت (Differential Learning Rates)	24 دقیقه
	جمع:	427 دقیقه

با گذراندن این فصل، شما قادر خواهید بود:

داده‌های تصویری را برای استفاده در شبکه‌های عصبی کانولوشنی بارگیری و پیش‌پردازش کنید.
با معماری‌های مختلف شبکه‌های عصبی کانولوشنی آشنا شوید و از آن‌ها برای حل مسائل مختلف استفاده کنید.
از انتقال یادگیری برای بهبود عملکرد مدلتان استفاده کنید.
مدل‌های از پیش آموزش دیده را در Keras بکار ببرید.
اشیاء را در تصاویر زنده وبکم بازشناسی کنید.

فصل 4: رگرسیون و Functional API

در این فصل به بررسی رگرسیون و کاربرد Functional API در کراس می‌پردازیم. رگرسیون یکی از وظایف اصلی یادگیری ماشین است که به پیش‌بینی مقادیر عددی پیوسته می‌پردازد. Functional API یک ابزار قدرتمند در کراس است که به شما امکان می‌دهد مدل‌های شبکه عصبی را به صورت انعطاف‌پذیر و ماژولار بسازید.

شماره	نام قسمت	مدت زمان
1	مقدمه رگرسیون	10 دقیقه
2	مثال رگرسیون: تخمین قیمت خانه	26 دقیقه
3	تخمین میزان مصرف سوخت ماشین	23 دقیقه
4	Functional API در کراس	31 دقیقه
5	تخمین قیمت خانه با ویژگی های بصری	16 دقیقه
6	استفاده از دو نوع داده ورودی (ساختار یافته و بصری) در یک شبکه عصبی	8 دقیقه
7	تعیین محل شئ	17 دقیقه
8	بازشناسی و تعیین محل اشیاء	20 دقیقه
9	تولید خروجی از مدل تعیین محل اشیاء	15 دقیقه
	جمع:	166 دقیقه

با گذراندن این فصل، شما قادر خواهید بود:

مدل‌های رگرسیون را با شبکه های عصبی عمیق طراحی و پیاده‌سازی کنید.
از رگرسیون برای حل مسائل دنیای واقعی مانند تخمین قیمت خانه و مصرف سوخت ماشین استفاده کنید.
با سینتکس Functional API فریم ورک تنرفلو / کراس از دو نوع داده ورودی (ساختار یافته و بصری) در یک شبکه عصبی استفاده کنید.
مدل‌هایی برای تعیین محل (Localization) و بازشناسی اشیاء در تصاویر آموزش دهید.

فصل 5: طبقه‌بندی متن، استفاده از Embedding و سیستم‌های توصیه‌گر

در این فصل به بررسی مباحث مختلف در زمینه پردازش زبان طبیعی (NLP) و همچنین سیستم های توصیه گر (Recommender Systems) می‌پردازیم. این فصل شامل عناوینی مانند طبقه‌بندی متن، استفاده از بردار Embedding و مصور سازی 2 یا 3 بعدی آن بوده و در ادامه پس از درک مفهوم امبدینگ به پیاده سازی سیستم‌های توصیه‌گر با بهره گیری از لایه امبدینگ و همچنین استفاده در کد کردن ویژگی های categorical میپردازد.

شماره	نام قسمت	مدت زمان
1	طبقه بندی متن با دیتاست نقد فیلم	70 دقیقه
2	پیش پردازش: به عنوان pipeline داده یا بخشی از مدل؟!	8 دقیقه
3	طبقه بندی متن فارسی	13 دقیقه
4	معیارهای ارزیابی برای داده های نامتوازن	31 دقیقه
5	حل مشکل داده های نامتوازن	22 دقیقه
6	N-gram	17 دقیقه
7	بردار امبدینگ کلمه	18 دقیقه
8	تناظرهای امبدینگ کلمه (آنالوژی)	20 دقیقه
9	امبدینگ کلمه در Gensim	6 دقیقه
10	بصری سازی بردار کلمات در دو و سه بعد با PCA، T-SNE و UMAP	13 دقیقه
11	استفاده از امبدینگ از قبل آموزش داده شده در طبقه بندی متن	34 دقیقه
12	سیستم‌های توصیه‌گر و فیلتر مشارکتی	38 دقیقه
13	استفاده از tf.data برای مدیریت کارآمدتر داده در سیستم‌های توصیه‌گر	5 دقیقه
14	بهبود دقت و مقیاس‌پذیری	16 دقیقه
15	امبدینگ موجودیت‌ها	29 دقیقه
	جمع:	340 دقیقه

با گذراندن این فصل، شما قادر خواهید بود:

متن را با استفاده از شبکه‌های عصبی عمیق طبقه‌بندی کنید.
داده‌های متنی را پیش پردازش کنید.
با چالش‌های طبقه‌بندی متن فارسی آشنا شوید.
مدل‌های یادگیری ماشین را برای داده‌های نامتوازن ارزیابی کنید.
مشکل داده‌های نامتوازن را حل کنید.
از N-gram در پردازش زبان طبیعی استفاده کنید.
بردار امبدینگ کلمه ایجاد کنید.
تناظرهای امبدینگ کلمه را استخراج کنید.
از کتابخانه Gensim برای ایجاد امبدینگ کلمه استفاده کنید.
بردار کلمات را بصری سازی کنید.
از امبدینگ‌های از قبل آموزش داده شده در طبقه‌بندی متن استفاده کنید.
سیستم های توصیه گر بسازید
برای ویژگی های غیر عددی از بردار امبدینگ استفاده کنید

فصل 6: Model Subclassing، خودرمزنگارها و GAN ها

این فصل به بررسی مباحث مختلف در زمینه یادگیری عمیق با تمرکز بر شئ گرایی، خودرمزنگارها، GAN و Pix2Pix می‌پردازد. از خودرمزگذارها با یک مثال عملی سیگنال ECG برای تشخیص ناهنجاری نیز استفاده میکنیم. همچنین تمکز اصلی این فصل روی Model Subclassing است. Model Subclassing یک روش جدید در Keras برای ساخت مدل‌های یادگیری عمیق است که به شما انعطاف‌پذیری و کنترل بیشتری در ساخت مدل‌های پیچیده می‌دهد. در این روش، شما از کلاس‌ها برای تعریف مدل خود استفاده می‌کنید.

شماره	نام قسمت	مدت زمان
1	مقدمه ای بر شئ گرایی در پایتون	20 دقیقه
2	ایجاد مدل با روش Model Subclassing	5 دقیقه
3	ایجاد لایه جدید با روش Model Subclassing	30 دقیقه
4	مقدمه ای بر خودرمزنگارها	17 دقیقه
5	خودرمزنگار کانولوشنالی با Transposed convolution	19 دقیقه
6	خودرمزنگار کانولوشنالی با Upsampling	5 دقیقه
7	تشخیص ناهنجاری(آنومالی) با خودرمزنگار	18 دقیقه
8	U-Net برای سگمنت کردن تصویر	24 دقیقه
9	پیاده سازی U-Net	35 دقیقه
10	شبکه عصبی مولد رقابتی (GAN)	22 دقیقه
11	پیاده سازی GAN	24 دقیقه
12	مقدمات GradientTape در تنسورفلو	29 دقیقه
13	آموزش DCGAN با بازنویسی تابع train_step	18 دقیقه
14	ترجمه تصویر به تصویر با Pix2Pix	17 دقیقه
15	پیاده سازی Pix2Pix	65 دقیقه
	جمع:	348 دقیقه

با گذراندن این فصل، شما قادر خواهید بود:

مفاهیم پایه ای شئ گرایی در پایتون را به کار ببرید.
مدل های خود را با روش Model Subclassing ایجاد کنید.
لایه های جدید را با روش Model Subclassing پیاده سازی کنید.
با خودرمزنگارها و انواع مختلف آنها آشنا شوید.
خودرمزنگارهای کانولوشنالی را برای задачи مختلف مانند تشخیص ناهنجاری و سگمنت کردن تصویر پیاده سازی کنید.
با شبکه های عصبی مولد رقابتی (GAN) و نحوه عملکرد آنها آشنا شوید.
شبکه های GAN را برای وظایف مختلف مانند ترجمه تصویر به تصویر پیاده سازی کنید.
از GradientTape در Tensorflow برای محاسبه گرادیان ها و آموزش مدل ها استفاده کنید.
مفاهیم پیشرفته در یادگیری عمیق را درک کنید.
از دانش خود برای حل مسائل دنیای واقعی با استفاده از یادگیری عمیق استفاده کنید.

در پایان این فصل، شما دانش و مهارت لازم برای:

کار با مدل های پیچیده تر یادگیری عمیق
انجام تحقیقات در زمینه یادگیری عمیق
استخدام در مشاغل مرتبط با یادگیری عمیق

را خواهید داشت.

فصل 7: داده های صوتی و تابع خطای CTC

این فصل به مبانی پردازش صوت و گفتار می‌پردازد و با ارائه گام به گام مفاهیم و تکنیک‌های کلیدی، شما را در مسیر تسلط بر این حوزه ی جذاب راهنمایی می‌کند. علاوه بر کار با داده های صوتی و گفتار، CTC برای تسکهایی نظیر خواندن پلاک ماشین یا تبدیل گفتار به متن را خواهیم خواند.

شماره	نام قسمت	مدت زمان
1	مقدمه‌ای بر داده‌های صوتی	36 دقیقه
2	طیف‌نگاره (Spectrogram)	19 دقیقه
3	طبقه بندی صوت	34 دقیقه
4	انتقال یادگیری با YAMNet برای طبقه‌بندی صداهای محیطی	50 دقیقه
5	تشخیص خودکار پلاک خودرو	58 دقیقه
6	تابع خطای CTC	25 دقیقه
7	بازشناسی گفتار خودکار (ASR)	29 دقیقه
	جمع:	251 دقیقه

در پایان این فصل، شما دانش و مهارت لازم برای:

کار با داده های صوتی
انجام پروژه های پردازش صوت
استخدام در مشاغیل مرتبط با پردازش صوت با یادگیری عمیق
حل مسائلی نظیر خواند پلاک ماشین، کپچا، و تبدیل گفتار به متن

را خواهید داشت.

فصل 8: پیدا کردن هایپرپارامترهای بهینه و استقرار مدل در محیط عملیاتی

در این فصل، به مبانی و روش‌های مختلف تنظیم و استقرار مدل‌های یادگیری ماشین می‌پردازیم. با گذراندن این فصل، شما قادر خواهید بود: هایپرپارامترهای مدل را به طور موثر تنظیم کنید. از ابزار Keras Tuner برای تنظیم مدل‌های Keras استفاده کنید. از هایپرپارامترهای شرطی برای تنظیم مدل‌های مختلف بر اساس شرایط مختلف استفاده کنید. مدل‌های خود را با استفاده از ONNX به فرمت قابل تبادل تبدیل کنید. مدل‌های خود را با استفاده از ONNX Runtime روی کارت گرافیک اجرا کنید.

شماره	نام قسمت	مدت زمان
1	تنظیم و پیدا کردن هایپرپارامتر	18 دقیقه
2	مقدمه ای بر ابزار Keras Tuner	17 دقیقه
3	هایپرپارامترهای شرطی	20 دقیقه
4	استقرار مدل با ONNX	35 دقیقه
5	استفاده از ONNX Runtime روی کارت گرافیک	10 دقیقه
	جمع:	100 دقیقه

در پایان این فصل، شما دانش و مهارت لازم برای:

پیدا کردن هایپرپارامترهای بهینه مدل خود
بهبود عملکرد مدل‌های خود
استقرار مدل های خود در محیط های عملیاتی

را خواهید داشت.

فصل 9: روشهای انتقال یادگیری و افزونگی داده ی پیشرفته

در فصل سوم به مباحث Data Augmentation و Transfer Learning پرداختیم. در این فصل از آموزش جامع یادگیری عمیق، قصد داریم به اکتشاف عمیق‌تر در این دو حوزه بپردازیم و شما را با متدهای جدید و پیشرفته‌تر آشنا کنیم.

Data Augmentation پیشرفته:

Mixup: با ترکیب دو نمونه داده، تنوع و چالش‌های جدیدی را به دیتاست خود اضافه کنید.
CutMix: برش و ترکیب بخش‌هایی از دو تصویر، ابزاری خلاقانه برای افزایش تنوع داده‌ها

Transfer Learning پیشرفته:

مدل‌های پیش‌آموزش‌دیده قدرتمندتر مقاله BiT گوگل:
دریچه‌ای به دنیای مدل‌های عظیم پیش‌آموزش‌دیده و کاربردهای متنوع آن‌ها به جای اتکا به خروجی نهایی، از قدرت لایه‌های میانی شبکه برای وظایف مختلف بهره ببرید.

شماره	نام قسمت	مدت زمان
1	روش داده‌افزایی MixUp	38 دقیقه
2	روش داده‌افزایی CutMix	16 دقیقه
3	مثال طبقه بندی عکسهای X-ray شکستگی استخوان	15 دقیقه
4	مثال طبقه بندی تصاویر نژادهای مختلف سگ	16 دقیقه
5	مقاله و دیتاست بزرگ گوگل (BiT)	19 دقیقه
6	استفاده از BiT	16 دقیقه
	جمع:	120 دقیقه

با گذراندن این فصل، شما قادر خواهید بود:

از روش های داده‌افزایی MixUp و CutMix برای بهبود عملکرد مدل های خود استفاده کنید.
مدل های خود را برای وظایف مختلف طبقه بندی آموزش دهید.
از دیتاست های بزرگ مانند BiT برای آموزش مدل های خود استفاده کنید.
از تکنیک های پیشرفته یادگیری عمیق برای حل مسائل دنیای واقعی استفاده کنید.

فیلم مصاحبه با شرکت کنندگان دوره های قبلی کلاس ویژن

ویژگی‌های دوره:

40 ساعت آموزش ویدئویی: این دوره شامل 40 ساعت آموزش ویدئویی با کیفیت بالا است که توسط استاد مجرب با سابقه تدریس شده است.
تمرین‌ها و پروژه‌های عملی: در طول دوره، با انجام تمرین‌ها و پروژه‌های عملی، مهارت‌های خود را در زمینه یادگیری عمیق به کار خواهید گرفت.
گروه تلگرامی: شما پس از ثبت نام لینک گروه تلگرامی دوره را دریافت خواهید کرد که میتوانید مشکلات و ایده های خود را با سایر دانشجویان دوره به اشتراک بگذارید.

با گذراندن این دوره، شما قادر خواهید بود:

شبکه‌های عصبی عمیق را طراحی و پیاده‌سازی کنید.
از هوش مصنوعی برای حل مسائل دنیای واقعی استفاده کنید.
مهارت‌های خود را در زمینه پردازش تصویر و بینایی کامپیوتر، پردازش زبان طبیعی و پردازش صوت و گفتار ارتقا دهید.
در مشاغل مرتبط با هوش مصنوعی استخدام شوید.

همین امروز شروع کنید و به دنیای هوش مصنوعی قدم بگذارید!

مدرس

علیرضا اخوان پور

مدیر فنی مجموعه دانش بنیان شناسا

Tags: آموزش دیپ لرنینگ deep learning GAN Keras python Tensorflow Tensorflow/Keras آموزش هوش مصنوعی پایتون دوره آموزشی یادگیری عمیق شبکه‌ های عصبی عمیق کارگاه دیپ لرنینگ هوش مصنوعی یادگیری عمیق

امتیاز دانشجویان دوره

5.00 6 رای

1.750.000 تومان

6 رأی

5 ستاره

4 ستاره

3 ستاره

2 ستاره

1 ستاره

نظرات

مینا

پاسخ

سلام،
من از طریق دوره ای که در مکتب خونه داشتید باهاتون آشنا شدم. این دوره تون شامل تخفیف میشه؟ چون فصل یک این دوره سرفصلش عینا مشابه همان مطالبی که در مکتب خونه تدریس کردین.
ممنون
- مدیریت سایت(مدیریت)
  
  پاسخ
  
  سلام.
  حتما.
  فقط محبت کنید به پشتیبانی تلگرام جزئیات را بفرمایید راهنماییتان کنند.
  
  https://t.me/classvision_support
فاطمه بطحایی( خریدار محصول )

پاسخ

به جرات میتونم بگم بهترین و کاملترین دوره ای بوده که تا الان شرکت کردم. محتوای دوره و همچنین تدریس و تسلط استاد به مباحث بسیار عالی بود
خدمات منتورینگ و حل تمارین بسیار کمک کننده بود
به تمام دوستانی که به دنبال پیدا کردن یک نقشه راه برای مسیر شغلی در حوزه هوش مصنوعی هستند این دوره را به شدت توصیه میکنم به ویژه همراه با خدمات منتورینگ
زهرا محیط( خریدار محصول )

Rated 5 out of 5

پاسخ

شاید با دیدن سرفصل‌ها به نظر بیاد که دوره خیلی کامله! اما نه تنها خود دوره کامله، بلکه استاد هم خیلی کامل و جامع توضیح میدن و بر مطالب واقعا مسلط هستن.
من به همه علاقه‌مندان این دوره رو پیشنهاد می‌کنم، فقط همون‌طور که استاد صدشون رو می‌ذارن برای آموزش، شما هم صدتون رو بذارید برای یادگیری و تمرین✌️
میثم مقدم( خریدار محصول )

پاسخ

با سلام و احترام خدمت شما
بسیار دوره کامل و جامعی بود ممنون از زحمات استاد عزیزم
استاد اخوان پور بدون اغماض از برجسته ترین استادهای این حوزه در ایران هستن
باعث افتخار شاگرد همچین استادی بودن
بنیامین

پاسخ

درود
در مورد ریاضیات نسبت به نامپای و پانداز و مفاهیم یادگیری ماشین تسلط اگر کمتر باشه
آیا باز هم میتوان به خوبی از پس مباحث این دوره بر اومد ؟

و دومین سوال اینکه تمام دوره های یادگیری عمیق دیگرگون رو پوشش میده ابن دوره

و نکته دیگر
با گذروندن این دوره پروژه های یادگیری ماشین ساده رو نیز می‌توان به ثمر رسوند و یا فقط مختص یادگیری عمیق هستش؟

مرسی
- علیرضا اخوان پور(مدیریت)
  
  پاسخ
  
  سلام. بله. ریاضیات در حد اینکه بدونید مشتق به معنی شیب تابع در یک نقطه است، و ماتریس و ضرب ماتریسی یادتون باشه از دبیرستان، کفایت میکنه. تسلط خاصی برای این دوره نیاز نیست.
  
  در مورد دومین سوال؛ نمیشه گفت تمام دوره های دیگران را پوشش میده، هر دوره بسته به سرفصل صلاح دید مدرس ممکنه چیزهایی کم و زیاد داشته باشه،
  از طرفی دیپ لرنینگ مبحثی نیست که بشه انتها براش تعیین کرد و فیلد تحقیقاتیه بازه. اسم دوره جامعه چون با چندین نوع داده شامل ساختاریافته، صوت، متن و تصویر کار میشه و همچنین هر سه سینتکس فریم ورک کراس برای طراحی شبکه را پوشش میده و در نهایت دید خوبی از مفاهیم پایه و متوسط میده. اما مثلا این دوره بازشناسی اشیاء مثل یولو، ترنسفورمر و گراف و … را شامل نمیشه!!
  در مورد سوال آخر، بلی، با این دوره و استمرار و پشتکار خودتون میشه پروژه های خوبی انجام داد. صدالبته به شرط مهارت در امر برنامه نویسی
Parvin Shahsavand( خریدار محصول )

پاسخ

دوره خیلی خوبیه، تسلط استاد در موضوعات مورد بحث بالاس و مفاهیم خیلی خوب توضیح داده شدن. ممنون از آقای اخوانپور عزیز.
مهدی انصاری( خریدار محصول )

Rated 5 out of 5

پاسخ

بسیار عالی مفید و کامل.بهترین دوره است
parvin shahsavand( خریدار محصول )

Rated 5 out of 5

پاسخ

دوره خیلی عالیه، مفاهیم خیلی خوب و مسلط تدریس میشن واقعا پیشنهاد میکنم اگر دنبال منبع فارسی هستید برای یادگیری عمیق از این دوره غافل نشید.
مهدی مهدیانی( خریدار محصول )

Rated 5 out of 5

پاسخ

خیلی خیلی راضیم از دوره٬ هم مفاهیم رو خیلی خوب دارم متوجه میشم و هم بخش کد نویسی.
دوره بسیار تکمیل هست و اکثر تاپیک های لازم رو آموزش میدن و با توجه به تسلط بسیار بالای مدرس مفاهیم بسیار قابل فهم شده.
این دوره رو پیشنهاد می کنم به دوستان
رامین

پاسخ

سلام
بیزحمت تاریخ و زمان برگزاری دوره ها را نیز در مشخصات دوره قرار دهید.
چون بروز بودن این نوع آموزشها بسیار مهم است.
- علیرضا اخوان پور(مدیریت)
  
  پاسخ
  
  پیشنهاد خوبیه. چشم. دو دوره GNN (شکه عصبی گرافی) و دوره جامع جدید هستند.
Javad( خریدار محصول )

Rated 5 out of 5

پاسخ

جامع ترین و کامل ترین دوره ی هوش مصنوعی ایران
- علیرضا اخوان پور(مدیریت)
  
  پاسخ
  
  لطف دارید شما
hoomaan

پاسخ

با سلام. امکان دانلود ویدیوها بعد از خرید دوره وجود داره؟ یا فقط میشه ویدیوها رو انلاین نگاه کرد؟ ممنون.
- علیرضا اخوان پور(مدیریت)
  
  پاسخ
  
  امکان دانلود وجود دارد
Mehrdad

پاسخ

سلام اموزش TensorFlow 2 هست ؟
- علیرضا اخوان پور(مدیریت)
  
  پاسخ
  
  بله
Mohammad Ali

پاسخ

سلام این آموزش، مباحث دوره آموزشی مقدماتی شبکه‌ های عصبی عمیق در Tensorflow/Keras رو هم پوشش میده؟
- علیرضا اخوان پور(مدیریت)
  
  پاسخ
  
  بله. پوشش میدهد
علیرضا( خریدار محصول )

Rated 5 out of 5

پاسخ

بنظر من استاد تسلط خیلی خوبی روی مفاهیم دارند و میتونن خیلی خوب مفاهیم رو منتقل کنن.

قوانین ثبت دیدگاه

نظر ارسالی شما باید منطبق برعرف و شئونات جامعه و با بیانی رسمی و عاری از لحن تند، تمسخرو توهین باشد.
از ارسال لینک‌ سایت‌های دیگر و ارایه‌ی اطلاعات شخصی نظیر شماره تماس، ایمیل و آی‌دی شبکه‌های اجتماعی پرهیز کنید.
با توجه به ساختار بخش نظرات، از پرسیدن سوال یا درخواست راهنمایی در این بخش خودداری کرده و سوالات خود را با «اکانت پشتیبانی» مطرح کنید.

لغو پاسخ

1.750.000 تومان

تعداد دانشجو : 161

لینک کوتاه