توضیحات

آموزش تکنیک‌ های پیشرفته تنسورفلو (TensorFlow) از سری Coursera

نام دوره : TensorFlow: Advanced Techniques Specialization

پیش‌نیازها

• تسلط پایه بر فریم‌ورک TensorFlow و Keras: آشنایی قبلی با مفاهیم شبکه‌های عصبی و تجربه عملی در ساخت مدل‌های متوالی (Sequential Models).

• مهارت در برنامه‌نویسی پایتون: درک ساختارهای شیءگرایی (کلاس‌ها و توابع پایتون) جهت ارث‌بری و بازنویسی لایه‌ها و متدهای محاسباتی.

• دانش پایه‌ای در یادگیری عمیق (Deep Learning): درک نحوه عملکرد گرادیان کاهشی، تابع هزینه (Loss)، بیش‌برازش و شبکه‌های عصبی پیچشی (CNN).

• محیط اجرایی مناسب: دسترسی به Google Colab یا ژوپیتر نوتبوک مجهز به پردازنده‌های گرافیکی (GPU) برای اجرای پروژه‌های سنگین بینایی ماشین و مدل‌های زایشی.

توضیحات:

هنگامی که پروژه‌های یادگیری ماشین از سطح آموزشی به چالش‌های پیچیده صنعتی ارتقا پیدا می‌کنند، مدل‌های پیش‌ساخته و زنجیره‌ای Keras دیگر پاسخگوی نیازهای مهندسان نیستند.

این تخصص پیشرفته که توسط تیم مطرح DeepLearning.AI (به سرپرستی لورنس مورونی و با مشارکت برترین متخصصان هوش مصنوعی) طراحی شده است، ابزارها و درک عمیقی را در اختیار شما قرار می‌دهد تا بدون محدودیت، معماری‌های نامتعارف و نوآورانه خود را در بستر قدرتمند TensorFlow پیاده‌سازی و مدیریت کنید.

در طول این برنامه تخصصی که از ۴ دوره مستقل اما زنجیره‌ای تشکیل شده است، از توابع ساده عبور کرده و مستقیماً وارد لایه‌های زیرین محاسباتی تنسورفلو می‌شوید.

شما یاد می‌گیرید که چگونه لایه‌ها و توابع زیان سفارشی بسازید، حلقه‌های آموزش را با ابزار GradientTape به طور دستی کنترل کنید، پردازش توزیع‌شده چندپردازنده‌ای را برای تسریع فرآیند یادگیری به کار بگیرید و به سراغ سناریوهای پیشرفته بینایی ماشین و مدل‌های زایشی نسل جدید (مانند GANs و VAEs) بروید.

ساختار برنامه‌ها و سرفصل‌های تخصصی (مجموعه ۴ دوره تخصصی)

این تخصص ۴ بخش و مهارت بنیادین زیر را در قالب ۴ دوره مجزا پوشش می‌دهد:

• دوره اول: مدل‌ها، لایه‌ها و توابع هزینه سفارشی در تنسورفلو (Custom Models, Layers, and Loss Functions with TensorFlow)

  • تسلط بر Functional API برای ساخت شبکه‌های غیرترتیبی، مدل‌های چندورودی و چندخروجی.

  • کدنویسی لایه‌های اختصاصی، اکتیویشن‌های جدید و توابع زیان سفارشی متناسب با نیازهای تجاری.

  • پیاده‌سازی بلوک‌های بازمانده (Residual Blocks) مشابه شبکه‌های ResNet به صورت دستی.

• دوره دوم: آموزش سفارشی و محاسبات توزیع‌شده (Custom and Distributed Training with TensorFlow)

  • کنترل دقیق جریان بهینه‌سازی و به‌روزرسانی وزن‌ها با استفاده از ابزارهای GradientTape و Autograph.

  • استراتژی‌های توزیع‌شده محاسباتی (Distributed Strategies) جهت آموزش مقیاس‌پذیر بر روی چند GPU یا کلاسترهای ابری TPU.

  • تنظیم دقیق هایپرپارامترها و تسریع فرآیند محاسبات تانسوری با تبدیل کدهای پایتونی به گراف‌های اجرایی سریع.

• دوره سوم: بینایی ماشین پیشرفته در تنسورفلو (Advanced Computer Vision with TensorFlow)

  • پیاده‌سازی سیستم‌های تشخیص مکان اشیاء در تصویر (Object Detection) و بخش‌بندی معنایی تصویر (Image Segmentation).

  • تکنیک‌های افزایش داده و انتقال یادگیری (Transfer Learning) در سناریوهای بینایی پیچیده.

  • تفسیرپذیری و شفاف‌سازی تصمیمات مدل‌های بینایی با تکنیک‌های Class Activation Maps (CAM) و نقشه‌های برجستگی (Saliency Maps).

• دوره چهارم: یادگیری عمیق زایشی در تنسورفلو (Generative Deep Learning with TensorFlow)

  • درک سازوکار انتقال سبک نقاشی و تصاویر دیجیتال (Neural Style Transfer).

  • معماری اتوانکودرها (Autoencoders) و اتوانکودرهای متغیر (VAEs) جهت فشرده‌سازی و بازسازی بازنمود داده‌ها.

  • ساخت و آموزش شبکه‌های زایشی متخاصم (GANs) از جمله DCGANs برای خلق تصاویر و داده‌های جدید و باکیفیت.

چرا باید در دوره آموزش تکنیک‌ های پیشرفته تنسورفلو (TensorFlow) از سری Coursera شرکت کنید؟

• طراحی و تدریس توسط پیشگامان هوش مصنوعی جهان: بهره‌مندی از متدولوژی آموزشی DeepLearning.AI و تعامل با چالش‌های فنی سطح جهانی.

• گذر از نقش کاربر ابزار به توسعه‌دهنده معماری مدل: عدم وابستگی به کدهای آماده اینترنت و توانایی مهندسی لایه‌های سفارشی از پایه.

• ترکیب تئوری‌های مدرن با آزمایشگاه‌های کاربردی: اجرای بیش از ده‌ها نوتبوک کلاسی برای کدنویسی گام‌به‌گام انواع شبکه‌های زایشی و پردازش تصویر.

دوره آموزش تکنیک‌ های پیشرفته تنسورفلو (TensorFlow) از سری Coursera برای چه کسانی مناسب است؟

• مهندسان یادگیری ماشین و متخصصان هوش مصنوعی: افرادی که دوره TensorFlow Developer را گذرانده‌اند و اکنون می‌خواهند مدل‌های سطح بالا و پیچیده صنعتی طراحی کنند.

• پژوهشگران علوم کامپیوتر و داده: محققانی که نیاز به بازنویسی توابع ریاضی و ساخت معماری‌های کاملاً جدید مقالاتی دارند.

• توسعه‌دهندگان بینایی ماشین: کسانی که قصد دارند فراتر از طبقه‌بندی ساده تصاویر رفته و سیستم‌های دقیق سگمنتیشن و تشخیص اشیاء پیاده‌سازی کنند.

• علاقه‌مندان به هوش مصنوعی مولد (Generative AI): برنامه‌نویسانی که به دنبال خلق آثار هنری، شبیه‌سازی داده و ساخت شبکه‌های GAN اختصاصی هستند.

بخشی از دوره :