توضیحات

آشنایی با اصول کار تکنولوژی های هوش مصنوعی

نام دوره : Data Science: Modern Deep Learning in Python

پبش نیاز:

• آشنایی با Python، Numpy و Matplotlib
• اگر هنوز با مفاهیمی مانند gradient descent، backpropagation و softmax آشنا نیستید، دوره قبلی من با عنوان Deep Learning in Python را بگذرانید و سپس به این دوره بازگردید.

توضیحات

آیا تا به حال تعجب کرده‌اید که تکنولوژی‌های هوش مصنوعی مانند OpenAI ChatGPT، GPT-4، DALL-E، Midjourney و Stable Diffusion چگونه واقعاً کار می‌کنند؟

در این دوره، شما با اصول پایه‌ای این اپلیکیشن‌های انقلابی آشنا خواهید شد.

این دوره ادامه دوره قبلی من، Deep Learning in Python است.

شما اکنون می‌دانید که چگونه یک شبکه عصبی مصنوعی را در Python بسازید و یک اسکریپت آماده و قابل استفاده برای TensorFlow دارید.

شبکه‌های عصبی یکی از ارکان یادگیری ماشین هستند و همیشه در مسابقات Kaggle رقابت‌های مهمی دارند.

اگر می‌خواهید مهارت‌های خود را در شبکه‌های عصبی و یادگیری عمیق بهبود بخشید، این دوره برای شماست.

شما پیش از این درباره backpropagation یاد گرفته‌اید، اما سوالات زیادی بدون پاسخ باقی مانده بود.

چگونه می‌توانید آن را برای بهبود سرعت آموزش اصلاح کنید؟

در این دوره شما با batch و stochastic gradient descent آشنا خواهید شد، دو تکنیک پرکاربرد که به شما این امکان را می‌دهند که تنها با یک نمونه کوچک از داده‌ها در هر تکرار آموزش دهید و زمان آموزش را به طرز قابل توجهی تسریع کنید.

همچنین شما با momentum آشنا خواهید شد که می‌تواند برای عبور از local minima کمک‌کننده باشد و از شما می‌خواهد که خیلی محافظه‌کارانه با نرخ یادگیری خود برخورد نکنید.

همچنین با تکنیک‌های adaptive learning rate مانند AdaGrad، RMSprop و Adam آشنا خواهید شد که می‌توانند به تسریع آموزش کمک کنند.

چون شما از قبل با اصول شبکه‌های عصبی آشنا هستید، در این دوره به تکنیک‌های مدرن‌تری مانند dropout regularization و batch normalization خواهیم پرداخت، که در هر دو TensorFlow و Theano پیاده‌سازی می‌کنیم.

این دوره به طور مداوم به‌روزرسانی می‌شود و تکنیک‌های پیشرفته‌تر regularization به زودی به آن اضافه خواهد شد.

در دوره قبلی، من فقط می‌خواستم یک نگاه کلی به TensorFlow به شما بدهم.

در دوره آشنایی با اصول کار تکنولوژی های هوش مصنوعی، ما از اصول شروع می‌کنیم تا دقیقاً بفهمید چه اتفاقی در حال رخ دادن است — متغیرها و عبارات TensorFlow چیستند و چگونه می‌توانید از این بلوک‌های ساختاری برای ایجاد یک شبکه عصبی استفاده کنید؟

همچنین به بررسی Theano می‌پردازیم، یک کتابخانه محبوب دیگر که برای یادگیری عمیق بسیار معروف است.

در این کتابخانه نیز به بررسی بلوک‌های ساختاری مانند متغیرها، عبارات و توابع خواهیم پرداخت تا شما بتوانید با اعتماد به نفس شبکه‌های عصبی را در Theano بسازید.

Theano پیش‌نیاز تمام کتابخانه‌های مدرن یادگیری عمیق امروزی است.

امروز، ما تقریباً گزینه‌های زیادی داریم: Keras، PyTorch، CNTK (مایکروسافت)، MXNet (آمازون/آپاچی) و غیره.

در این دوره، همه این‌ها را پوشش خواهیم داد! شما می‌توانید آنچه را که بیشتر دوست دارید انتخاب کنید.

یکی از مزایای اصلی TensorFlow و Theano این است که می‌توانید از GPU برای تسریع آموزش استفاده کنید، من به شما نشان می‌دهم که چگونه یک GPU instance در AWS راه‌اندازی کنید و سرعت CPU را در مقایسه با GPU برای آموزش یک شبکه عصبی عمیق مقایسه کنید.

با این سرعت اضافی، ما به بررسی یک مجموعه داده واقعی می‌پردازیم — مجموعه داده معروف MNIST (تصاویر ارقام دست‌نویس) و آن را با معیارهای مختلف مقایسه می‌کنیم.

این مجموعه داده اولین جایی است که محققان می‌روند وقتی که می‌خواهند بپرسند “آیا این مدل کار می‌کند؟”

این تصاویر بخشی مهم از تاریخ یادگیری عمیق هستند و هنوز هم برای تست مدل‌ها استفاده می‌شوند. هر متخصص یادگیری عمیق باید آن‌ها را به خوبی بشناسد.

این دوره بر «چگونگی ساخت و درک» تمرکز دارد، نه فقط «چگونگی استفاده».

هر کسی می‌تواند پس از خواندن مستندات، در ۱۵ دقیقه نحوه استفاده از یک API را یاد بگیرد.

این دوره در مورد «یادگیری حقایق» نیست، بلکه درباره «دیدن خودتان» از طریق آزمایش است. این دوره به شما یاد می‌دهد که چگونه آنچه در مدل در حال رخ دادن است را بصری‌سازی کنید. اگر می‌خواهید بیشتر از یک نگاه سطحی به مدل‌های یادگیری ماشین داشته باشید، این دوره برای شماست.

پیش‌نیازهای پیشنهاد شده:

• آشنایی با gradient descent

• احتمال و آمار

• برنامه‌نویسی Python: if/else، حلقه‌ها، لیست‌ها، دیکشنری‌ها، مجموعه‌ها

• برنامه‌نویسی Numpy: عملیات ماتریس و بردار، بارگذاری فایل CSV

• آشنایی با نحوه نوشتن یک شبکه عصبی با Numpy

دوره آشنایی با اصول کار تکنولوژی های هوش مصنوعی برای چه کسانی است:

• دانشجویان و حرفه‌ای‌هایی که می‌خواهند دانش خود را در زمینه یادگیری ماشین عمیق‌تر کنند

• دانشمندان داده‌ای که می‌خواهند بیشتر درباره یادگیری عمیق یاد بگیرند

• دانشمندان داده‌ای که قبلاً با backpropagation و gradient descent آشنا هستند و می‌خواهند آن را با آموزش دسته‌ای تصادفی، momentum و تکنیک‌های adaptive learning rate مانند RMSprop بهبود دهند

• کسانی که هنوز با backpropagation یا softmax آشنا نیستند، باید دوره قبلی من، Deep Learning in Python را بگذرانند