توضیحات

آموزش یادگیری عمیق در پایتورچ (PyTorch) با مثال و تمرین

نام دوره : A deep understanding of deep learning (with Python intro)

پیش نیاز:

• علاقه به يادگيري در مورد يادگيري عميق!
• مهارت هاي پايتون/پايتورچ در اين دوره آموزش داده مي شود
• يک حساب Google (google-colab به عنوان Python IDE استفاده مي شود)

توضیحات:

يادگيري عميق به طور فزاينده اي بر فناوري تسلط يافته و پيامدهاي عمده اي براي جامعه دارد.

از خودروهاي خودران تا تشخيص هاي پزشکي، از تشخيص چهره تا تقلبي هاي عميق، و از ترجمه زبان تا توليد موسيقي، يادگيري عميق مانند آتش سوزي در تمام حوزه هاي فناوري مدرن در حال گسترش است.

اما يادگيري عميق تنها در مورد برنامه هاي فوق العاده شيک، پيشرفته و بسيار پيچيده نيست.

يادگيري عميق به طور فزاينده اي به يک ابزار استاندارد در يادگيري ماشيني، علم داده و آمار تبديل مي شود.

يادگيري عميق توسط استارت‌آپ‌هاي کوچک براي داده‌کاوي و کاهش ابعاد، توسط دولت‌ها براي تشخيص فرار مالياتي و توسط دانشمندان براي شناسايي الگوها در داده‌هاي تحقيقاتي استفاده مي‌شود.

يادگيري عميق اکنون در بيشتر زمينه هاي فناوري، تجارت و سرگرمي استفاده مي شود. و هر سال اهميت بيشتري پيدا مي کند.

يادگيري عميق چگونه کار مي کند؟

يادگيري عميق بر اساس يک اصل بسيار ساده ساخته شده است: يک الگوريتم بسيار ساده (مجموع وزني و غيرخطي) را در نظر بگيريد و آن را چندين بار تکرار کنيد تا زماني که نتيجه يک نمايش آموخته شده فوق العاده پيچيده و پيچيده از داده ها باشد.

آيا واقعا به همين سادگي است؟

بسيار خوب، اين در واقع کمي پيچيده تر از آن است؛) اما اين ايده اصلي است، و هر چيز ديگري – به معناي واقعي کلمه هر چيز ديگري در يادگيري عميق – فقط روش هاي هوشمندانه اي براي کنار هم قرار دادن اين بلوک هاي ساختماني اساسي است.

اين بدان معنا نيست که درک شبکه‌هاي عصبي عميق بي‌اهميت است:

تفاوت‌هاي معماري مهمي بين شبکه‌هاي پيش‌خور، شبکه‌هاي کانولوشنال و شبکه‌هاي تکراري وجود دارد.

با توجه به تنوع طرح‌ها، پارامترها و کاربردهاي مدل يادگيري عميق، شما فقط مي‌توانيد يادگيري عميق را بياموزيد – منظورم اين است که يادگيري عميق را واقعاً ياد بگيريد، نه فقط دانش سطحي از يک ويديوي يوتيوب – با داشتن يک معلم با تجربه شما را در اين زمينه راهنمايي کند.

رياضيات، پياده سازي ها و استدلال و البته، شما بايد مثال‌هاي عملي زيادي داشته باشيد و مشکلات را تمرين کنيد.

يادگيري عميق اساساً فقط رياضي کاربردي است و همانطور که همه مي دانند، رياضي يک ورزش تماشاگر نيست!

دوره آموزش یادگیری عمیق در در پایتورچ (PyTorch) با مثال و تمرین در مورد چيست؟

به عبارت ساده: هدف اين دوره ارائه يک شيرجه عميق به يادگيري عميق است. شما تخصص انعطاف پذير، اساسي و پايدار در زمينه يادگيري عميق به دست خواهيد آورد.

شما درک عميقي از مفاهيم اساسي در يادگيري عميق خواهيد داشت، به طوري که مي توانيد موضوعات و گرايش هاي جديدي را که در آينده پديدار مي شوند بياموزيد.

لطفاً توجه داشته باشيد:

اين دوره براي کسي نيست که مي خواهد يک مرور کلي سريع از يادگيري عميق با چند مثال حل شده داشته باشد.

در عوض، اين دوره براي افرادي طراحي شده است که واقعاً مي خواهند بفهمند يادگيري عميق چگونه و چرا کار مي کند.

زمان و نحوه انتخاب متاپارامترهايي مانند بهينه سازها، نرمال سازي ها و نرخ يادگيري. نحوه ارزيابي عملکرد مدل هاي شبکه عصبي عميق و چگونگي اصلاح و تطبيق مدل هاي موجود براي حل مشکلات جديد.

در دوره آموزش یادگیری عمیق در پایتورچ (PyTorch) با مثال و تمرین ياد خواهيد گرفت

• تئوري : چرا مدل هاي يادگيري عميق به همان شکلي که هستند ساخته شده اند؟
• رياضي : فرمول ها و مکانيسم هاي يادگيري عميق چيست؟
• پياده سازي : مدل هاي يادگيري عميق چگونه در پايتون (با استفاده از کتابخانه PyTorch) ساخته مي شوند؟
• شهود : چرا اين يا آن فراپارامتر انتخاب درستي است؟ چگونه اثرات منظم سازي را تفسير کنيم؟ و غيره.
• Python : اگر کاملاً با پايتون تازه کار هستيد، به ضميمه آموزش کدنويسي 8 ساعته برويد. اگر قبلاً يک کدنويس آگاه هستيد، هنوز هم ترفندهاي جديد و بهينه سازي کد را ياد خواهيد گرفت.
• Google-colab : Colab يک ابزار آنلاين شگفت انگيز براي اجراي کدهاي پايتون، شبيه سازي ها و محاسبات سنگين با استفاده از سرويس هاي ابري گوگل است. نيازي به نصب چيزي بر روي کامپيوتر شما نيست.

دوره آموزش یادگیری عمیق در پایتورچ (PyTorch) با مثال و تمرین براي چه کساني است:

• دانش آموزان در يک دوره يادگيري عميق
• علاقه مندان به يادگيري ماشيني
• هر کسي که به مکانيسم هاي هوش مصنوعي (هوش مصنوعي) علاقه دارد
• دانشمندان داده اي که مي خواهند کتابخانه مهارت هاي خود را گسترش دهند
• دانشمندان مشتاق داده
• دانشمندان و محققان علاقه مند به يادگيري عميق

بخشی از دوره: