تخفیف!
همه چیز درباره شبکه عصبی پیچشی (CNN) در یادگیری عمیق

همه چیز درباره شبکه عصبی پیچشی (CNN) در یادگیری عمیق | Deep Learning: Convolutional Neural Networks in Python

(1 بررسی مشتری)

قیمت اصلی 1,400,000ریال بود.قیمت فعلی 400,000ریال است.

  • 14 ساعت ویدیو با زیرنویس انگلیسی و فارسی و کیفیت 1080
  • به روز رسانی 5/2025 تهیه شده رسمی یودمی ایران
  • مدرس: Lazy Programmer Inc.
  • حجم: 3.1GB (ترافیک داخلی)

توضیحات

همه چیز درباره شبکه عصبی پیچشی (CNN) در یادگیری عمیق

نام دوره : Deep Learning: Convolutional Neural Networks in Python

همه چیز درباره شبکه عصبی پیچشی (CNN) در یادگیری عمیق

پیش نیاز:

توضیحات

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

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

درباره یکی از قدرتمندترین معماری‌های یادگیری عمیق که تا کنون ساخته شده، یاد بگیرید!

شبکه عصبی پیچشی (CNN) برای به دست آوردن نتایج پیشرفته در وظایف بینایی کامپیوتری مانند شناسایی اشیاء، تقسیم‌بندی تصاویر و ایجاد تصاویر واقع‌گرایانه از افراد و اشیاء که در دنیای واقعی وجود ندارند، استفاده شده است!

این دوره به شما اصول پیچش (convolution) را آموزش می‌دهد و توضیح می‌دهد چرا این تکنیک برای یادگیری عمیق و حتی پردازش زبان طبیعی (NLP) مفید است.

شما با تکنیک‌های مدرن مانند افزایش داده‌ها و نرمال‌سازی دسته‌ای آشنا خواهید شد و خودتان معماری‌های مدرن مانند VGG را خواهید ساخت.

دوره همه چیز درباره شبکه عصبی پیچشی (CNN) در یادگیری عمیق  به شما آموزش خواهد داد:

  • اصول یادگیری ماشین و نورون‌ها (فقط یک مرور برای گرم شدن!)

  • شبکه‌های عصبی برای طبقه‌بندی و رگرسیون (فقط یک مرور برای گرم شدن!)

  • چگونه داده‌های تصویری را در کد مدل‌سازی کنید

  • چگونه داده‌های متنی را برای NLP مدل‌سازی کنید (شامل مراحل پیش‌پردازش برای متن)

  • چگونه یک CNN با استفاده از TensorFlow 2 بسازید

  • چگونه از نرمال‌سازی دسته‌ای و منظم‌سازی Dropout در TensorFlow 2 استفاده کنید

  • چگونه طبقه‌بندی تصویر را در TensorFlow 2 انجام دهید

  • چگونه پیش‌پردازش داده‌ها را برای مجموعه داده‌های سفارشی تصویر خود انجام دهید

  • چگونه از Embedding در TensorFlow 2 برای NLP استفاده کنید

  • چگونه یک CNN طبقه‌بندی متن برای NLP بسازید (نمونه‌ها: شناسایی هرزنامه، تحلیل احساسات، برچسب‌گذاری اجزای گفتار، شناسایی موجودیت‌های نام‌دار)

همه چیز درباره شبکه عصبی پیچشی (CNN) در یادگیری عمیق

تمام مواد مورد نیاز برای این دوره به صورت رایگان قابل دانلود و نصب هستند. ما بیشتر کارهای خود را در Numpy، Matplotlib و TensorFlow انجام خواهیم داد.

من همیشه در دسترس هستم تا به سوالات شما پاسخ دهم و شما را در مسیر علم داده همراهی کنم.

این دوره بر “چگونگی ساخت و درک” تمرکز دارد، نه فقط “چگونگی استفاده”. هر کسی می‌تواند پس از خواندن مستندات، در 15 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 انجام است را بصری‌سازی کنید. اگر می‌خواهید چیزی بیشتر از یک نگاه سطحی به مدل‌های یادگیری ماشین داشته باشید، این دوره برای شماست.

پیش‌نیازهای پیشنهاد شده:

  • جمع و ضرب ماتریس‌ها

  • احتمال پایه‌ای (توزیع‌های شرطی و مشترک)

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

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

ویژگی‌های منحصر به فرد

  • هر خط کد با جزئیات توضیح داده شده است – هر زمان که مخالف بودید، ایمیل بزنید

  • وقت هدر رفته برای “تایپ کردن” در کیبورد مانند دوره‌های دیگر وجود ندارد – بیایید صادق باشیم، هیچ‌کس نمی‌تواند تنها در 20 دقیقه کدی که ارزش یادگیری داشته باشد بنویسد

  • از ریاضیات سطح دانشگاهی ترسی نداریم – جزئیات مهمی از الگوریتم‌ها که دوره‌های دیگر از آن‌ها صرف‌نظر می‌کنند را خواهید آموخت

دوره  همه چیز درباره شبکه عصبی پیچشی (CNN) در یادگیری عمیق  برای چه کسانی است:

  • دانشجویان، حرفه‌ای‌ها و هر کسی که به یادگیری عمیق، بینایی کامپیوتری یا NLP علاقه‌مند است

  • مهندسان نرم‌افزار و دانشمندان داده که می‌خواهند حرفه خود را ارتقا دهند

1 دیدگاه برای همه چیز درباره شبکه عصبی پیچشی (CNN) در یادگیری عمیق | Deep Learning: Convolutional Neural Networks in Python

  1. یودمی ایران

    دوره درخواستی خود را از راه های ارتباطی درخواست کنید

دیدگاه خود را بنویسید

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