توضیحات

آموزش هوش مصنوعی در جاوا قسمت سوم: یادگیری عمیق

نام دوره : Artificial Intelligence III – Deep Learning in Java

پیش نیاز:

• دانش کلی از رياضيات (مشتقات و عمليات ماتريسي)
• مباني جاوا (کلاس ها، اشياء و غيره)

دوره های زیر به عنوان مکمل همراه دوره پیشنهاد می شود:

هوش مصنوعی در جاوا قسمت اول:الگوریتم های فرا ابتکاری

هوش مصنوعی در جاوا قسمت دوم: شبکه های عصبی

هوش مصنوعی در جاوا قسمت چهارم: یادگیری تقویت شده

توضیحات:

اين دوره در مورد اصول يادگيري عميق و شبکه هاي عصبي کانولوشن است . شبکه‌هاي عصبي کانولوشنال يکي از موفق‌ترين رويکردهاي يادگيري عميق هستند:

خودروهاي خودران به شدت به اين الگوريتم متکي هستند. ابتدا با شبکه هاي عصبي متصل به هم و مشکلات آن آشنا مي شويد.

فصل بعدي در مورد شبکه هاي عصبي کانولوشن است: نظريه و همچنين پياده سازي در جاوا با کتابخانه deeplearning4j .

فصل هاي آخر در مورد شبکه هاي عصبي مکرر و برنامه هاي کاربردي – پردازش زبان طبيعي و تجزيه و تحليل احساسات!

بنابراين در آموزش هوش مصنوعی در جاوا قسمت سوم: یادگیری عمیق با موضوعات زير آشنا خواهيد شد:

بخش 1:

• شبکه هاي عصبي چند لايه و نظريه يادگيري عميق
• توابع فعال سازي (ReLU و بسياري ديگر)
• پياده سازي شبکه هاي عصبي عميق
• نحوه استفاده از deeplearning4j (DL4J)

بخش 2:

• تئوري و پياده سازي شبکه هاي عصبي کانولوشنال (CNN)
• هسته ها (ردياب هاي ويژگي) چيست؟
• لايه هاي جمع کننده و لايه هاي مسطح
• با استفاده از شبکه هاي عصبي کانولوشن (CNN) براي تشخيص کاراکتر نوري (OCR)
• با استفاده از شبکه هاي عصبي کانولوشن (CNN) براي تشخيص لبخند
• برنامه آشکارساز emoji از ابتدا

بخش 3:

• نظريه شبکه هاي عصبي مکرر (RNNs)
• استفاده از شبکه هاي عصبي مکرر (RNN) براي پردازش زبان طبيعي (NLP)
• استفاده از شبکه هاي عصبي بازگشتي (RNN) براي تحليل احساسات

دوره آموزش هوش مصنوعی در جاوا قسمت سوم: یادگیری عمیق براي چه کساني است:

• هر کسي که مي خواهد يادگيري عميق، شبکه هاي عصبي کانولوشنال و شبکه هاي عصبي تکراري در جاوا را درک کند

بخشی از دوره :