دوره آموزشی یادگیری عمیق با پایتون: معرفی عملی مدل‌های یادگیری عمیق

جزئیات دوره

این دوره آموزشی برای کسانی است که می‌خواهند با یادگیری عمیق (Deep Learning) شروع کنند و از آن استفاده کنند. در این دوره مقدماتی، مربی فردریک نوانگانگا مفاهیم و تکنیک‌های پایه‌ای را که برای درک و پیاده‌سازی مدل‌های ساده یادگیری عمیق نیاز دارید، آموزش می‌دهد. شما با مثال‌های عملی و تمرین‌های برنامه‌نویسی به‌طور مستقیم با مفاهیم آشنا می‌شوید و آماده می‌شوید تا موضوعات پیچیده‌تر یادگیری عمیق را در آینده بیاموزید.

هدف‌های یادگیری:

آشنایی با مفاهیم پایه‌ای شبکه‌های عصبی و یادگیری عمیق.

یادگیری مفاهیم ریاضی ضروری برای درک یادگیری عمیق.

ساخت یک مدل یادگیری عمیق با استفاده از پایتون و ارزیابی عملکرد آن.

سرفصل ها

0. مقدمه

01 - شروع به یادگیری عمیق
02 - آنچه باید بدانید
03 - استفاده از فایل‌های تمرین

1. مبانی شبکه‌های عصبی

04 - شبکه‌های عصبی مصنوعی چیست؟
05 - شبکه‌های عصبی چگونه پیش‌بینی می‌کنند
06 - توابع فعال سازی در شبکه‌های عصبی
07 - شبکه عصبی چگونه یاد می‌گیرد

2. مقدمه ای بر یادگیری عمیق

08 - یادگیری عمیق چیست
09 - انواع مدل‌های یادگیری عمیق
10 - تکامل هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق
11 - کاربردهای واقعی یادگیری عمیق
12 - چالش‌های یادگیری عمیق

3. مبانی ریاضی یادگیری عمیق

13 - بردارها و ماتریس ها
14 - تانسورها
15 - مشتقات، مشتقات جزئی و قاعده سلسله
16 - نزول گرادیان

4. طبقه بندی متن با شبکه‌های عصبی عمیق

17 - آماده سازی برای ساخت یک مدل یادگیری عمیق در پایتون
18 - تعریف مدل یادگیری عمیق در پایتون
19 - آموزش مدل یادگیری عمیق در پایتون

5. معیارهای عملکرد مدل

20 - ارزیابی مدل یادگیری عمیق - دقت پیش بینی
21 - ارزیابی مدل یادگیری عمیق - ماتریس سردرگمی
22 - ارزیابی مدل یادگیری عمیق - دقت
23 - ارزشیابی مدل یادگیری عمیق - یادآوری
24 - ارزیابی مدل یادگیری عمیق - امتیاز F1

نتیجه گیری

25 - با یادگیری عمیق ادامه دهید