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

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.

امتیاز
5.00 از 1 رأی
5.00 1 رای
1.750.000 تومان
دوره جامع یادگیری عمیق

1.750.000 تومان

تعداد دانشجو : 101
پیش نیاز پایتون
مدت 40 ساعت
سطح مقدماتی تا پیشرفته
حالت مطالعه

این دوره با چه فریم ورک و زبان برنامه نویسی است؟

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.

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.

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

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

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

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

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

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

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

شمارهنام قسمت مدت زمان 
1تنظیم و پیدا کردن هایپرپارامتر 18 دقیقه 
2مقدمه ای بر ابزار Keras Tuner 17 دقیقه 
3هایپرپارامترهای شرطی 20 دقیقه 
4استقرار مدل با ONNX 35 دقیقه 
5استفاده 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.

شمارهنام قسمت مدت زمان 
1روش داده‌افزایی MixUp 38 دقیقه 
2روش داده‌افزایی CutMix 16 دقیقه 
3مثال طبقه بندی عکسهای X-ray شکستگی استخوان 15 دقیقه 
4مثال طبقه بندی تصاویر نژادهای مختلف سگ 16 دقیقه 
5مقاله و دیتاست بزرگ گوگل (BiT) 19 دقیقه 
6استفاده 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
علیرضا اخوان پور
 مدیر فنی مجموعه دانش بنیان شناسا

برچسب:

امتیاز دانشجویان دوره

5
5.00 1 رای
1.750.000 تومان
1 رأی
5 ستاره
1
4 ستاره
0
3 ستاره
0
2 ستاره
0
1 ستاره
0

نظرات

  • 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 )
    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.

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

این سایت توسط reCAPTCHA و گوگل محافظت می‌شود حریم خصوصی و شرایط استفاده از خدمات اعمال.

The reCAPTCHA verification period has expired. Please reload the page.

1.750.000 تومان

تعداد دانشجو : 101
لینک کوتاه