توضیحات

صفر تا صد یادگیری ( Deep Learning ) عمیق پروژه محور

نام دوره : Deep Learning A-Z 2024: Neural Networks, AI & ChatGPT Prize

دوره در تاریخ 1/2024 به روز رسانی شد

کل دوره از ابتدا دانلود و آپلود شد

پیش نیاز:

• دانش ریاضی در سطح دبیرستان
• دانش اولیه برنامه نویسی پایتون

توضیحات:

هوش مصنوعی به طور تصاعدی در حال رشد است. و در این باره جای هیچ شکی نیست. اتومبیل‌های خودران میلیون‌ها مایل را طی می‌کنند. IBM Watson بیماران را بهتر از ارتش پزشکان تشخیص می‌دهد و AlphaGo Google Deepmind قهرمان جهان را در Go شکست داد . بازی که در آن شهود نقش کلیدی دارد.

اما هرچه هوش مصنوعی بیشتر پیشرفت کند، مشکلاتی که باید حل کند پیچیده تر می شود. و تنها یادگیری عمیق می تواند چنین مشکلات پیچیده ای را حل کند و به همین دلیل است که در قلب هوش مصنوعی قرار دارد.

— چرا صفر تا صد یادگیری عمیق ؟ —

در اینجا پنج دلیل وجود دارد که فکر می‌کنیم صفر تا صد یادگیری ( Deep Learning ) عمیق پروژه محور واقعاً متفاوت است و از دیگر برنامه‌های آموزشی متمایز می‌شود:

1. ساختار قوی

یادگیری عمیق بسیار گسترده و پیچیده است و برای پیمایش در این پیچ و خم شما نیاز به یک دید روشن از آن دارید.

به همین دلیل است که ما آموزش ها را در دو جلد گروه بندی کردیم که نشان دهنده دو شاخه اساسی یادگیری عمیق است: یادگیری عمیق تحت نظارت و یادگیری عمیق بدون نظارت. با تمرکز هر جلد بر روی سه الگوریتم مجزا، متوجه شدیم که این بهترین ساختار برای تسلط بر یادگیری عمیق است.

2. آموزش شهود

بسیاری از دوره‌ها و کتاب‌ها فقط شما را با تئوری، ریاضی و کدنویسی بمباران می‌کنند… اما فراموش می‌کنند که شاید مهم‌ترین بخش را توضیح دهند: چرا کاری را که انجام می‌دهید انجام می‌دهید. و اینگونه است که این دوره بسیار متفاوت است. ما بر ایجاد یک *احساس بصری برای مفاهیم پشت الگوریتم های یادگیری عمیق تمرکز می کنیم.

با آموزش های شهودی ما مطمئن خواهید بود که تمام تکنیک ها را در سطح غریزی درک می کنید. و هنگامی که به تمرین های کدنویسی عملی ادامه دهید، خودتان خواهید دید که تجربه شما چقدر معنادارتر خواهد بود.

3. پروژه های هیجان انگیز

در داخل صفر تا صد یادگیری ( Deep Learning ) عمیق پروژه محور ما روی مجموعه داده های دنیای واقعی کار خواهیم کرد تا مشکلات کسب و کار دنیای واقعی را حل کنیم. (قطعاً مجموعه داده های عنبیه خسته کننده یا طبقه بندی رقمی که در هر دوره می بینیم نیست). در این دوره ما شش چالش دنیای واقعی را حل خواهیم کرد:

• شبکه های عصبی مصنوعی برای حل مشکل انحراف مشتری
• شبکه های عصبی کانولوشن برای تشخیص تصویر
• شبکه های عصبی مکرر برای پیش بینی قیمت سهام
• نقشه های خودسازماندهی برای بررسی تقلب
• ماشین های بولتزمن برای ایجاد یک سیستم Recomender

4. کدگذاری عملی

در صفر تا صد یادگیری عمیق ما با شما کدنویسی می کنیم. هر آموزش عملی با یک صفحه خالی شروع می شود و ما کد را از ابتدا می نویسیم. به این ترتیب می‌توانید دنبال کنید و بفهمید که دقیقاً چگونه کدها با هم ترکیب می‌شوند و هر خط به چه معناست.

علاوه بر این، ما به طور هدفمند کد را به گونه ای ساختار خواهیم داد که بتوانید آن را دانلود کرده و در پروژه های خود اعمال کنید. علاوه بر این، ما گام به گام توضیح می‌دهیم که کجا و چگونه کد را برای درج مجموعه داده‌های خود تغییر دهید. تا الگوریتم را مطابق با نیازهای حودتان تنظیم کنید، تا خروجی مورد نظرتان را دریافت کنید.

— ابزارها —

Tensorflow و Pytorch دو کتابخانه منبع باز محبوب برای یادگیری عمیق هستند. در این دوره شما هر دو را یاد خواهید گرفت!

TensorFlow توسط گوگل توسعه داده شده است و در سیستم تشخیص گفتار آنها، در محصولات جدید google photos، gmail، جستجوی گوگل و موارد دیگر استفاده می شود. شرکت هایی که از Tensorflow استفاده می کنند عبارتند از AirBnb، Airbus، Ebay، Intel، Uber و ده ها مورد دیگر.

PyTorch به همان اندازه قدرتمند است و توسط محققان انویدیا و دانشگاه های برجسته: Stanford، Oxford، ParisTech در حال توسعه است. شرکت هایی که از PyTorch استفاده می کنند عبارتند از Twitter، Saleforce و Facebook.

پس کدام بهتر است و برای چه؟

خوب، در این دوره شما این فرصت را خواهید داشت که با هر دو کار کنید و بفهمید که چه زمانی Tensorflow بهتر است و چه زمانی PyTorch . در طول آموزش‌ها، ما این دو را با هم مقایسه می‌کنیم و نکات و ایده‌هایی را به شما می‌دهیم که در شرایط خاص می‌توانند بهترین عملکرد را داشته باشند.

نکته جالب این است که هر دوی این کتابخانه ها به زحمت بیش از 1 سال قدمت دارند.

— ابزارهای بیشتر —

Theano یکی دیگر از کتابخانه های منبع باز یادگیری عمیق است. از نظر عملکرد بسیار شبیه به Tensorflow است. اما با این وجود ما همچنان آن را نیز پوشش خواهیم داد.

Keras یک کتابخانه باورنکردنی برای پیاده سازی مدل های یادگیری عمیق است. این به عنوان یک لفاف برای Theano و Tensorflow عمل می کند. به لطف Keras ما می توانیم مدل های یادگیری عمیق قدرتمند و پیچیده را تنها با چند خط کد ایجاد کنیم. این چیزی است که به شما این امکان را می دهد که یک دید جهانی از آنچه ایجاد می کنید داشته باشید.

— ابزارهای بیشتر —

Scikit-Lear عملی ترین کتابخانه یادگیری ماشین. ما عمدتا از آن استفاده خواهیم کرد:

به منظور ارزیابی عملکرد مدل‌های ما با مرتبط‌ترین تکنیک، k-Fold Cross Validation
برای بهبود مدل های خود با تنظیم پارامتر موثر
برای پیش پردازش داده هایمان، به طوری که مدل های ما بتوانند در بهترین شرایط یاد بگیرند

کل این دوره مبتنی بر پایتون است و در هر بخش شما ساعت ها و ساعت ها تجربه عملی کدنویسی ارزشمندی خواهید داشت.

بعلاوه، در طول دوره، از Numpy برای انجام محاسبات بالا و دستکاری آرایه‌های ابعادی بالا. Matplotlib برای ترسیم نمودارهای هوشمندانه و Pandas برای وارد کردن و دستکاری مجموعه داده‌ها به بهترین نحو استفاده خواهیم کرد.

— دوره صفر تا صد یادگیری ( Deep Learning ) عمیق پروژه محور برای چه کسانی است؟ —

همانطور که می بینید، ابزارهای مختلف زیادی در فضای Deep Learning وجود دارد و در این دوره ما مطمئن می شویم که مهمترین و پیشرفته ترین آنها را به شما نشان می دهیم تا پس از اتمام کار با صفر تا صد یادگیری عمیق، مهارت های شما فعال شود.

اگر به تازگی شروع به یادگیری عمیق کرده اید، این دوره برای شما بسیار مفید خواهد بود.

صفر تا صد یادگیری ( Deep Learning ) عمیق پروژه محور با رویکردهای برنامه‌نویسی ویژه طراحی شده است. به این معنی که در برنامه‌نویسی غیرضروری یا پیچیدگی‌های ریاضی گرفتار نخواهید شد و در عوض از همان ابتدای دوره از تکنیک‌های یادگیری عمیق استفاده خواهید کرد.

شما دانش خود را از پایه خواهید ساخت و خواهید دید که چگونه با هر آموزش اعتماد به نفس بیشتری پیدا می کنید.

Inside Deep Learning AZ به برخی از پیشرفته ترین الگوریتم ها و تکنیک های یادگیری عمیق (که برخی از آنها حتی یک سال پیش وجود نداشتند) تسلط پیدا خواهید کرد و از طریق این دوره تجربیات عملی بسیار ارزشمندی را به دست خواهید آورد.

— مطالعات موردی در دنیای واقعی —

تسلط بر یادگیری عمیق فقط شناخت شهود و ابزارها نیست، بلکه به این معناست که بتوانید این مدل ها را در سناریوهای دنیای واقعی اعمال کنید و نتایج قابل اندازه گیری واقعی را برای کسب و کار یا پروژه به دست آورید. به همین دلیل است که در این دوره ما شش چالش هیجان انگیز را معرفی می کنیم:

شماره 1 مشکل مدل سازی Churn

در این بخش از صفر تا صد یادگیری ( Deep Learning ) عمیق پروژه محور شما یک چالش تجزیه و تحلیل داده برای یک بانک را حل می کنید.

مجموعه داده ای با نمونه بزرگی از مشتریان بانک به شما داده می شود. برای ساخت این مجموعه داده، بانک اطلاعاتی مانند شناسه مشتری، امتیاز اعتباری، جنسیت، سن، سابقه تصدی، موجودی، در صورت فعال بودن مشتری، داشتن کارت اعتباری و غیره را جمع آوری کرده است. در یک دوره 6 ماهه بانک مشاهده کرد که آیا این موارد مشتریان بانک را ترک کردند یا در بانک ماندند.

هدف شما ایجاد یک شبکه عصبی مصنوعی است که بتواند بر اساس اطلاعات جغرافیایی-جمعیتی و تراکنش‌هایی که در بالا ارائه شده است، پیش‌بینی کند که آیا هر یک از مشتریان بانک را ترک می‌کنند یا می‌مانند (ریزش مشتری). علاوه بر این، از شما خواسته می شود تا تمامی مشتریان بانک را بر اساس احتمال خروج آنها رتبه بندی کنید. برای انجام این کار، باید از مدل یادگیری عمیق مناسب استفاده کنید، مدلی که مبتنی بر رویکرد احتمالی است.

در صورت موفقیت در این پروژه، ارزش افزوده قابل توجهی برای بانک ایجاد خواهید کرد. با استفاده از مدل یادگیری عمیق، بانک ممکن است به طور قابل توجهی ریزش مشتری را کاهش دهد.

شماره 2 تشخیص تصویر

در این قسمت شما یک شبکه عصبی کانولوشن ایجاد می کنید که قادر به تشخیص اجسام مختلف در تصاویر است. ما این مدل یادگیری عمیق را برای تشخیص گربه یا سگ در مجموعه ای از تصاویر پیاده سازی خواهیم کرد. با این حال، این مدل را می توان مجدداً برای تشخیص هر چیز دیگری استفاده کرد و ما به شما نشان خواهیم داد که چگونه این کار را انجام دهید. به سادگی با تغییر تصاویر در پوشه ورودی.

به عنوان مثال، شما می توانید همان مدل را روی مجموعه ای از تصاویر مغز آموزش دهید تا تشخیص دهید که آیا تومور دارند یا خیر. اما اگر می خواهید آن را برای گربه ها و سگ ها نگه دارید. به معنای واقعی کلمه می توانید از گربه یا سگ خود عکس بگیرید و مدل شما پیش بینی می کند که کدام حیوان خانگی دارید. ما حتی آن را روی سگ هادلین آزمایش کردیم!

#3 پیش بینی قیمت سهام

در این قسمت یکی از قدرتمندترین مدل های یادگیری عمیق را ایجاد خواهید کرد. ما حتی تا آنجا پیش خواهیم رفت که بگوییم شما مدل یادگیری عمیق را ایجاد خواهید کرد که نزدیک به “هوش مصنوعی” است . چرا اینطور است؟ زیرا این مدل نیز مانند ما انسان ها حافظه بلند مدت خواهد داشت.

شاخه ای از یادگیری عمیق که این امر را تسهیل می کند، شبکه های عصبی بازگشتی است. RNN های کلاسیک حافظه کوتاهی دارند و به همین دلیل نه محبوب بودند و نه قدرتمند. اما پیشرفت عمده اخیر در شبکه های عصبی بازگشتی باعث محبوبیت LSTM (RNN های حافظه کوتاه مدت بلندمدت) شد که زمین بازی را کاملاً تغییر داده است. ما بسیار هیجان‌زده هستیم که این روش‌های پیشرفته یادگیری عمیق را در دوره آموزشی خود بگنجانیم!

در این قسمت نحوه پیاده سازی این مدل فوق العاده قدرتمند را یاد می گیرید و ما چالش استفاده از آن را برای پیش بینی قیمت واقعی سهام گوگل انجام می دهیم.

شماره 4 تشخیص تقلب

طبق گزارش اخیر منتشر شده توسط Markets & Markets، ارزش بازار تشخیص و پیشگیری از تقلب تا سال 2021 به 33.19 میلیارد دلار خواهد رسید. به همین دلیل این مطالعه موردی را در دوره قرار داده ایم.

این اولین قسمت از جلد 2 – مدل های یادگیری عمیق بدون نظارت است. چالش تجاری در اینجا در مورد کشف تقلب در برنامه های کارت اعتباری است. شما یک مدل یادگیری عمیق برای یک بانک ایجاد می کنید و مجموعه داده ای به شما داده می شود که حاوی اطلاعات مشتریان متقاضی کارت اعتباری پیشرفته است.

این اطلاعاتی است که مشتریان هنگام پر کردن فرم درخواست ارائه کردند. وظیفه شما تشخیص تقلب احتمالی در این برنامه ها است. این بدان معناست که در پایان چالش، شما به معنای واقعی کلمه با یک لیست صریح از مشتریانی مواجه خواهید شد که به طور بالقوه در برنامه های خود تقلب کرده اند.

سیستم های توصیه گر شماره 5 و 6

از پیشنهادات محصول آمازون گرفته تا توصیه های فیلم Netflix. سیستم های توصیه کننده خوب در دنیای امروز بسیار ارزشمند هستند.

ما روی مجموعه داده ای کار خواهیم کرد که دقیقاً همان ویژگی های مجموعه داده نتفلیکس را دارد: تعداد زیادی فیلم، هزاران کاربر، که به فیلم هایی که تماشا کرده اند امتیاز داده اند. رتبه‌بندی‌ها از 1 تا 5 می‌شوند، دقیقاً مانند مجموعه داده‌های Netflix، که ساخت سیستم توصیه‌کننده را پیچیده‌تر از زمانی می‌کند که رتبه‌بندی‌ها صرفاً «پسندیده» یا «پسندیده نشده» باشند.

سیستم توصیه‌کننده نهایی شما می‌تواند رتبه‌بندی فیلم‌هایی را که مشتریان تماشا نکرده‌اند پیش‌بینی کند.

بر این اساس، با رتبه‌بندی پیش‌بینی‌ها از ۵ به ۱، مدل یادگیری عمیق شما می‌تواند فیلم‌هایی را که هر کاربر باید تماشا کند را توصیه کند. ایجاد چنین سیستم توصیه‌کننده قدرتمندی کاملاً یک چالش است، بنابراین ما دو بار به خودمان می‌پردازیم. به این معنی که ما آن را با دو مدل مختلف یادگیری عمیق خواهیم ساخت.

اولین مدل ما شبکه های باور عمیق، ماشین های پیچیده بولتزمن است که در قسمت 5 پوشش داده خواهد شد.

سپس مدل دوم ما با AutoEncoder های قدرتمند، مورد علاقه شخصی من خواهد بود. شما از تضاد بین سادگی آنها و توانایی آنها قدردانی خواهید کرد.

و حتی می توانید آن را برای خود یا دوستانتان اعمال کنید. سیستم توصیه‌کننده دقیقاً به شما می‌گوید که یک شب عاشق کدام فیلم‌ها هستید، اگر در مورد آنچه در نتفلیکس تماشا کنید، فکر نکنید!

دوره صفر تا صد یادگیری ( Deep Learning ) عمیق پروژه محور برای چه کسانی است:

• هر کسی که به یادگیری عمیق علاقه دارد
• دانش آموزانی که حداقل دانش دبیرستانی در ریاضیات دارند و می خواهند یادگیری عمیق را شروع کنند
• افراد سطح متوسطی که اصول یادگیری ماشینی یا یادگیری عمیق را می‌دانند، از جمله الگوریتم‌های کلاسیک مانند رگرسیون خطی یا رگرسیون لجستیک و موضوعات پیشرفته‌تر مانند شبکه‌های عصبی مصنوعی، اما می‌خواهند درباره آن اطلاعات بیشتری کسب کنند و تمام زمینه‌های مختلف صفر تا صد یادگیری عمیق را کشف کنند.
• کسی که با کدنویسی چندان راحت نیست اما به یادگیری عمیق علاقه دارد و می خواهد آن را به راحتی در مجموعه داده ها اعمال کند.
• هر تحلیلگر داده ای که می خواهد در Deep Learning سطح بالایی داشته باشد
• فردی که می خواهد با استفاده از ابزارهای قدرتمند یادگیری عمیق، ارزش افزوده ای برای کسب و کار خود ایجاد کند
• هر صاحب کسب و کاری که می خواهد بداند چگونه از فناوری نمایی یادگیری عمیق در کسب و کار خود استفاده کند
• کارآفرینی که می خواهد با استفاده از پیشرفته ترین الگوریتم های یادگیری عمیق در یک صنعت اختلال ایجاد کند

 بخشی از دوره :