image

یادگیری عمیق

یادگیری عمیق یکی از شاخه‌های یادگیری ماشین است که با استفاده از شبکه‌های عصبی، به حل مسائل پیچیده می‌پردازد. شبکه‌های عصبی مصنوعی، مجموعه‌ای از الگوریتم‌ها هستند که با استفاده از یک سری لایه‌های نورونی، قادر به یادگیری مفاهیم و الگوهای پیچیده‌تر می‌باشند. در یادگیری عمیق، معمولا از شبکه‌های عصبی عمیق، که شامل چندین لایه‌ی پنهان (hidden layer) هستند، استفاده می‌شود. امروزه، تکنولوژی‌های پیشرفته از جمله خودروهای خودران، سیستم‌های تصویربرداری و پردازش تصویر، پردازش زبان طبیعی، تحلیل داده‌ها و غیره از این تکنولوژی استفاده می‌کنند.

مشخصات دوره

سطحپیشرفته
مدت11 ساعت
مدرکدارد
تاریخ به روزرسانی۱۴۰۳/۲/۱۸
قالب دورهمهارت محور
میزان محبوبیت
4.3
(31 رای)
۷۰۰٬۰۰۰
تومان
مطالب دوره
1. هوش مصنوعی
1.1 مقدمه
19' : 20''
2.1 دستاوردهای هوش مصنوعی 01
11' : 59''
3.1 دستاوردهای هوش مصنوعی 02
04' : 43''
4.1 هوش مصنوعی در بازار کار
04' : 38''
5.1 آینده هوش مصنوعی 01
06' : 55''
6.1 آینده هوش مصنوعی 02
04' : 47''
7.1 یادگیری عمیق چیست؟
09' : 50''
8.1 تاریخچه شبکه‌های عصبی
07' : 11''
9.1 تفاوت یادگیری عمیق و کلاسیک
10' : 14''
10.1 فرایند کلی یادگیری عمیق
08' : 24''
2. یادگیری ماشین
3. مقدمه‌ای بر یادگیری عمیق
4. شبکه عصبی کانولوشنال(CNN)
5. معماری شبکه‌های عصبی عمیق
6. آموزش و بهینه سازی شبکه های عمیق
7. یادگیری انتقالی
8. اتوانکدر
9. مقدمات پیاده‌ سازی
10. شبکه‌های بازگشتی و ترانسفورمرها
11. پیاده سازی مدل‌های یادگیری عمیق
اطلاعات تکمیلی دوره

در این دوره، ضمن آشنایی با مفاهیم و تکنیک‌های اصلی یادگیری عمیق و الگوریتم‌های آن، کار با شبکه‌های عصبی و کتابخانه‌های مرتبط با آن‌ها، مانند TensorFlow و Keras را فرا خواهید گرفت. همچنین در پایان دوره، شما قادر خواهید بود با استفاده از یادگیری عمیق، مسائل پیچیده را حل کرده، با کاربرد یادگیری عمیق در حوزه‌های مختلف مانند پردازش تصویر، پردازش زبان طبیعی و تحلیل داده‌ها آشنا شده و توانایی‌های خود را در این حوزه‌ها گسترش دهید. همچنین این دوره یکی از پیش‌نیازهای اصلی مسیرهای شغلی در مدرسه هوش مصنوعی است.

 

مخاطبان:
دانشجویان و فارغ‌التحصیلان دانشگاهی در رشته‌های کامپیوتر، مهندسی، ریاضیات، علوم داده که قصد ورود به بازار کار این حوزه را دارند.
کارشناسان و علاقه‌مندان به حوزه
افرادی که قصد ورود به موقعیت‌های شغلی در حوزه هوش مصنوعی و علوم داده را دارند.

 

پیش نیاز: 
آشنایی با آمار و احتمالات و جبر خطی یا گذراندن دوره «ریاضیات کاربردی در هوش مصنوعی و علوم داده» در آکادمی همراه اول
آشنایی با برنامه‌نویسی پایتون یا گذراندن دوره «جامع برنامه نویسی پایتون» در آکادمی همراه اول
آشنایی با یادگیری ماشین یا گذراندن دوره «یادگیری ماشین نظارت شده» در آکادمی همراه اول

 

نحوه ارزیابی:
60 درصد تمرین‌های تحویلی
40 درصد آزمون پایانی

مدرس دوره
احمدرضا هروی
احمدرضا هروی
دوره‌های پیشنهادی
هوش مصنوعی

هوش مصنوعی

هوش مصنوعی