دوره آموزشی یادگیری اصولی شبکه‌های عصبی و شبکه‌های عصبی کانولوشنال

این دوره با هدف تعمیق درک شما از شبکه‌های عصبی و به خصوص شبکه‌های عصبی کانولوشنی (CNNs) طراحی شده است. مدرس، “جاناتان فرناندز” (Jonathan Fernandes)، به شما نشان می‌دهد که چگونه مدل‌ها را در چارچوب‌های Keras و PyTorch بسازید و آموزش دهید. برای این منظور از مجموعه داده‌هایی مانند MNIST و CIFAR-10 برای طبقه‌بندی تصاویر استفاده خواهد شد. شما با مفاهیم کلیدی مانند توابع فعال‌سازی، پس‌انتشار (backpropagation)، تکنیک‌های pooling و بهینه‌سازها (optimizers) آشنا خواهید شد تا عملکرد مدل‌های خود را بهبود بخشید. همچنین، تجربه عملی با مجموعه داده‌های ضروری و مدل‌های از پیش آموزش‌دیده که از بینایی کامپیوتری مدرن پشتیبانی می‌کنند، از جمله تکنیک‌هایی مانند افزایش داده (image augmentation) و یادگیری انتقالی (transfer learning) کسب خواهید کرد.

این دوره برای مهندسان یادگیری ماشین که درک خوبی از پایتون و مفاهیم مقدماتی هوش مصنوعی دارند، طراحی شده است. این دوره تعادلی بین تئوری و پیاده‌سازی عملی برقرار می‌کند. با دنبال کردن این دوره، دلایل اثربخشی معماری‌های مختلف برای چالش‌های خاص را کشف خواهید کرد و مهارت‌های لازم برای طراحی، پیاده‌سازی و ارزیابی شبکه‌های عصبی در طیف وسیعی از کاربردها را توسعه خواهید داد.

اهداف یادگیری دوره:

شما قادر خواهید بود درک جامعی از اصول اولیه شبکه‌های عصبی به دست آورید که به شما امکان می‌دهد راه‌حل‌های مناسب برای مسائل یادگیری ماشین طراحی کنید.
شما قادر به ساخت و پیاده‌سازی شبکه‌های عصبی تمام‌عیار و CNN ها با استفاده از چارچوب Keras خواهید بود و توانایی پیش‌پردازش داده‌ها، پیکربندی مدل‌ها و ارزیابی عملکرد را کسب خواهید کرد.
شما تکنیک‌های پیشرفته‌ای مانند افزایش داده (image augmentation) و یادگیری انتقالی (transfer learning) را برای بهبود عملکرد و کارایی CNN ها در وظایف طبقه‌بندی تصاویر در دنیای واقعی به کار خواهید برد.
شما زمینه تاریخی و اهمیت توسعه شبکه‌های عصبی، از جمله چالش‌های مهمی مانند XOR و ImageNet را شرح خواهید داد تا رویکرد خود را برای کاربردهای یادگیری عمیق مدرن مطلع سازید.