آموزش رایگان یادگیری عمیق با پایتون

قیمت فعلی: رایگان

قیمت دوره‌ ممکن است توسط سایت مبدا تغییر کند

آموزش رایگان یادگیری عمیق با پایتون

چرا این دوره رو انتخاب کنیم؟ 🤔

یادگیری عمیق یا همون Deep Learning این روزا حسابی سر زبونا افتاده. اگه بخوام ساده بگم، یه شاخه‌ای از یادگیری ماشینه که با حجم زیادی از داده سر و کار داره و الگوریتم‌هاش از ساختار مغز آدم الهام گرفتن. برای همین هم به مدل‌هاش می‌گ...

آموزش رایگان یادگیری عمیق با پایتون

چرا این دوره رو انتخاب کنیم؟ 🤔

یادگیری عمیق یا همون Deep Learning این روزا حسابی سر زبونا افتاده. اگه بخوام ساده بگم، یه شاخه‌ای از یادگیری ماشینه که با حجم زیادی از داده سر و کار داره و الگوریتم‌هاش از ساختار مغز آدم الهام گرفتن. برای همین هم به مدل‌هاش می‌گن شبکه‌های عصبی عمیق.

این دوره آموزش یادگیری عمیق با پایتون یه مسیر عملی و قدم‌به‌قدمه که تو مکتب خونه به صورت رایگان ارائه شده. یعنی بدون پرداخت هیچ هزینه‌ای می‌تونی وارد دنیای دیپ لرنینگ بشی. نکته جالبش اینجاست که لازم نیست ریاضیات سنگین بلد باشی؛ مدرس اول با مثال‌های کاربردی مفاهیم رو جا میندازه، بعد میره سراغ ریاضیاتش.

مشخصات کلی دوره

تو این دوره چی یاد می‌گیریم؟

سرفصل‌های دوره دیپ لرنینگ با پایتون دقیقاً طوری چیده شده که از صفر شروع کنی و کم‌کم برسی به پیاده‌سازی مدل‌های واقعی. لیست مباحث به این شکله:

• یه مقدمه‌ای بر یادگیری عمیق و معرفی کتابخونه‌هایی که تو این دوره استفاده می‌شن
• شبکه‌های عصبی (Neural Networks) و اینکه چطور تو PyTorch پیاده‌سازی‌شون کنیم
• مفهوم تنسور و کار کردن باهاش تو PyTorch (این قسمت خیلی کلیدیه)
• فرایند طراحی و استفاده از مدل‌های deep learning
• آشنایی با روش stochastic gradient descent و پیاده‌سازی‌اش
• convolutional neural networks یا همون CNNs
• طراحی و train کردن یه مدل تشخیص عکس با PyTorch و fastai

این دوره به درد کی می‌خوره؟

اگه تازه می‌خوای وارد دنیای یادگیری عمیق بشی و هیچ تجربه‌ای نداری، این دوره نقطه شروع خیلی خوبیه. راستش رو بخوای، خیلی از دوره‌های دیپ لرنینگ از همون اول آدم رو با فرمول‌های ریاضی غرق می‌کنن، ولی اینجا داستان فرق داره.

دانشجویای مهندسی کامپیوتر تو گرایش‌های هوش مصنوعی و نرم‌افزار هم می‌تونن از این دوره کلی استفاده ببرن. مخصوصاً برای پروژه‌های دانشگاهی و درسی که نیاز به پیاده‌سازی مدل دارن. مثلاً فرض کن استادت ازت خواسته یه مدل تشخیص تصویر بسازی؛ بعد از این دوره می‌تونی با PyTorch و fastai دست به کار بشی و یه چیز قابل ارائه تحویل بدی.

چه چیزی این دوره رو متفاوت می‌کنه؟

مهم‌ترین ویژگی متمایزکننده این دوره اینه که مدرس اول با مثال‌های کاربردی شروع می‌کنه و بعد ریاضیات پشت ماجرا رو توضیح می‌ده. با این روش، تو همون چند ویدئوی اول می‌فهمی طراحی مدل‌های نسبتاً پیشرفته چطوریه و تکنیک‌های پیاده‌سازی رو یاد می‌گیری. درک مفاهیم ریاضی هم وقتی کاربردشون رو ببینی خیلی عمیق‌تر می‌شه.

منبع اصلی که علاوه بر دانش مدرس استفاده شده هم کتاب معروف Howard و Gugger هست:

• Howard, Jeremy, and Sylvain Gugger. Deep Learning for Coders with fastai and PyTorch. O'Reilly Media, 2020.

یه کم عمیق‌تر درباره یادگیری عمیق

یادگیری عمیق با مقادیر زیادی داده کار می‌کنه و الگوریتم‌هاش از ساختار و عملکرد مغز انسان الهام گرفتن. برای همین مدل‌هاش رو شبکه‌های عصبی عمیق می‌نامن.

ماجرا چطور پیش می‌ره؟

یه مدل کامپیوتری یاد می‌گیره که وظایف طبقه‌بندی رو مستقیم از روی تصویر، متن یا صدا انجام بده. این فرایند بارها و بارها تکرار می‌شه و هر بار یه تغییر کوچیک برای بهبود نتیجه اعمال می‌شه. مدل‌های یادگیری عمیق حتی می‌تونن از عملکرد سطح انسانی هم فراتر برن. آموزش این مدل‌ها با مجموعه بزرگی از داده‌های برچسب‌گذاری شده و معماری‌های شبکه عصبی با لایه‌های زیاد انجام می‌شه.

قلب یه شبکه عصبی، لایه‌ای از گره‌های محاسباتیه که بهشون «نورون» می‌گن. هر نورون به همه نورون‌های لایه زیرین وصل می‌شه. تو یادگیری عمیق، شبکه عصبی حداقل از دو لایه پنهان استفاده می‌کنه. همین لایه‌های پنهان هستن که محققا رو قادر می‌کنن محاسبات عمیق‌تری انجام بدن. توابع فعال‌ساز هم تو این شبکه‌ها نقش پررنگی دارن.

لایه‌های یادگیری عمیق

هر شبکه عصبی تو یادگیری عمیق از چند لایه تشکیل شده:

• لایه ورودی (input layer): گره‌ها اطلاعات رو دریافت می‌کنن و به گره‌های زیرین می‌فرستن
• لایه‌های پنهان (hidden layers): جایی که محاسبات اصلی اتفاق می‌افته
• لایه خروجی (output layer): نتایج محاسبات نشون داده می‌شه و ویژگی‌ها روی قالب‌ها اعمال می‌شن

یه شبکه عصبی عمیق می‌تونه تو هر لایه متوالی، ویژگی‌های پیچیده‌تری بسازه. تو این دوره به صورت عملی با نحوه کار این لایه‌ها آشنا می‌شی.

انواع روش‌های یادگیری عمیق

یادگیری عمیق از معماری الگوریتمی لایه‌ای معروف به شبکه‌های عصبی مصنوعی (ANN) برای تحلیل داده‌ها استفاده می‌کنه. با بررسی اینکه داده‌ها چطور از لایه‌های ANN فیلتر می‌شن و لایه‌ها چطور با هم تعامل دارن، الگوریتم DL می‌تونه همبستگی و ارتباط تو داده‌ها رو یاد بگیره. رایج‌ترین شیوه‌هاش اینان:

شبکه‌های عصبی عمیق (DNN)

نوعی شبکه عصبی مصنوعیه که به خاطر عمق لایه‌های بیشترش نسبت به بقیه، «عمیق» طبقه‌بندی می‌شه. این لایه‌ها وظایف ترجمه ریاضی انجام می‌دن که به داده‌های خام اجازه می‌ده به خروجی معنی‌دار تبدیل بشن.

شبکه‌های عصبی کانولوشنال (CNN)

نوعی از DNN که برای درک داده‌های بصری استفاده می‌شه. CNN‌ها تصاویر رو تحلیل می‌کنن و ویژگی‌هایی استخراج می‌کنن که می‌شه ازشون برای طبقه‌بندی تصاویر به دسته‌ها استفاده کرد. این موضوع تو تصویربرداری پزشکی کاربرد کلیدی داره؛ جایی که پزشک به سی‌تی‌اسکن یا اشعه ایکس نگاه می‌کنه تا شرایط مختلف رو تشخیص بده. پیاده‌سازی CNN برای این کارا می‌تونه پشتیبانی تصمیم