مقدمه‌

سلام!

قالب کوئرا کالج

سیستم امتیازدهی و دریافت گواهی

آماده‌سازی محیط کار

محیط مجازی و کتابخانه‌های پایتون

VS Code

نگاه کلی بر یادگیری عمیق

اهداف فصل

یادگیری عمیق چیست؟

کاربرد یادگیری عمیق در صنعت

گذری بر تاریخ (علم اعصاب)

گذری بر تاریخ (شبکه‌ی عصبی مصنوعی و یادگیری عمیق)

ساختار نورون‌ها

شرایط نظارتی

کوییز

دست‌گرمی

مدیریت داده

منابع داده

مجموعه‌داده‌

برچسب‌گذاری داده‌ها

نسخه‌بندی داده‌

اکتشاف و پیش‌پردازش داده‌ها ۱

اکتشاف و پیش‌پردازش داده‌ها ۲

دوچرخه‌سواران

خونه چند؟

شبکه‌های عصبی کم‌عمق

نورون واحد

نزول گرادیان

تابع فعال‌ساز

شبکه‌ی کم‌عمق

کم‌عمق بازی

چقدر درس بخونم؟

شبکه‌های عصبی عمیق

شبکه چندلایه

انتشار رو به جلو و عقب

فریم‌ورک‌های یادگیری عمیق

مقدمه کراس

مدل ترتیبی کراس

مدل تابعی کراس

پیاده‌سازی عملی (تایتانیک) ۱

پیاده‌سازی عملی (تایتانیک) ۲

خونه جدید؟

بهینه‌سازی و هایپرپارامترها

ارزیابی مسائل رگرسیون

ارزیابی مسائل دسته‌بندی ۱

ارزیابی مسائل دسته‌بندی ۲

کوییز ۱

تابع زیان

بهینه‌سازها

بایاس و واریانس

کوییز ۲

رگولاریزیشن

حذف تصادفی

دروازه‌بان

بهینه‌سازی و هایپرپارامترها ۲

نرخ یادگیری

زمان‌بندی نرخ یادگیری

کال‌بک کراس

محوشدگی و انفجار گرادیان

کوییز ۳

مقداردهی اولیه‌ی پارامترها

اشباع در توابع فعال‌ساز

نرمال‌سازی دسته‌ای و لایه‌ای

تنظیم هایپرپارامترها

کوییز ۴

پیاده‌سازی عملی: صفر تا اجرا (بخش اول - تحلیل و پیش‌پردازش داده‌ها)

پیاده‌سازی عملی: صفر تا اجرا (بخش دوم - طراحی و یافتن بهترین پارامترها)

پیاده‌سازی عملی: صفر تا اجرا (بخش سوم ارزیابی مدل)

پروژه ۱

سفر نمی‌روم دگر!

رضایت مسافران

شبکه‌های عصبی کانولوشنی

کانولوشن چیست؟

لایه‌ی کانولوشنی

Padding و Stride

لایه‌ی Pooling

ساختار کلاسیک CNNها

خواندن تصویر در کراس

پیاده‌سازی با کراس

تقویت داده‌های تصویری

انتقال یادگیری

هنرمند

پیاده‌سازی عملی: قطعه‌بندی

پیاده‌سازی عملی: قطعه‌بندی ۲

پیاده‌سازی عملی: قطعه‌بندی ۳

گربه‌ یا سگ؟ مسئله این است!

پروژه ۲

دسته‌یاب تصویر

مدل‌های دنباله‌ای

شبکه‌های عصبی بازگشتی

انواع شبکه‌های بازگشتی

پیاده‌سازی در کراس

حافظه‌ی طولانی کوتاه‌مدت

واحد بازگشتی دروازه‌ای

پیاده‌سازی و مقایسه انواع مدل‌های دنباله‌ای

پیاده‌سازی عملی ساخت جز

قدم نو رسیده!

پروژه ۳

بازنمایی متن در کراس

لایه‌ی تعبیه در کراس

چی بخریم؟

دسته‌یاب متن

تنسورفلو

تنسور و متغیر

مشتق‌گیری خودکار

اپلای

ساخت مدل

آموزش شبکه

اجرای بی‌تابانه و اجرای گرافی

پیش‌بینی و ارزیابی

«خونه جدید؟» سطح پایین

پای‌تورچ

تنسور

تنسور‌ بازی

مجموعه‌داده و بارگیری آن

پالایش

بهینه‌سازی پارامترها

ذخیره‌سازی و بارگیری مدل

احساسات با پایتورچ

استقرار مدل

ساخت نمونه‌‌اولیه‌

پیش‌بینی دسته‌ای

مدل به‌عنوان سرویس

یادگیری مستمر

ارزیابی پس از بازآموزی

رصد یا مانیتور

مطالعه‌ی بیشتر

تنسور بورد (TensorBoard)

خودرمزگذار

سلام؛ ورود شما را به کالج «جامپ یادگیری عمیق» خوش‌آمد می‌گوییم. از این‌که افتخار همراهی شما در این مسیر را داریم، بسیار خوشحالیم! 😊️😍️

![ربات](/qbox/download/WIP9OjE9dy/welcome_wallE.jpeg)

اگر به جهان اطراف خود بنگرید، رد پای هوش مصنوعی را در بسیاری از جاهای مختلف آن مشاهده می‌کنید. امروزه در بسیاری از شرکت‌ها از الگوریتم‌های هوش مصنوعی در راستای بهبودسازی و افزایش بهره‌وری محصولات خود استفاده می‌کنند. یکی از معروف‌ترین و در حال حاضر پرطرف‌دارترین آن‌ها، الگوریتم‌های **یادگیری عمیق *(Deep Learning)*** است. 

یادگیری عمیق، زیرشاخه‌ی یادگیری ماشین است که به کمک شبکه‌های عصبی عمیق، سیستم‌هایی را ایجاد می‌کند که قادرند الگوها و ویژگی‌های پیچیده را از حجم زیادی از داده‌ها استخراج کرده و پیش‌بینی‌ها و تصمیم‌گیری‌هایی را تولید کنند. این روش به ما امکان می‌دهد تا به‌طور خودکار داده‌ها را تجزیه و تحلیل کرده و الگوهای پیچیده در آن‌ها را شناسایی کنیم. در این کالج قصد داریم تا گام‌به‌گام و به شکلی اصولی با این الگوریتم‌ها آشنا شویم، به‌طوری که در نهایت بتوانیم الگوریتم‌ها را تحلیل و پیاده‌سازی کنیم، نقاط ضعف و قوت آن‌ها را بشناسیم و تشخیص دهیم چگونه از آن‌ها برای حل مسائل دنیای واقعی کمک بگیریم!

این کالج مناسب افرادی است که در حد متوسط با پایتون و کتابخانه‌های پردازش داده همچون `Numpy` و `Pandas` آشنایی داشته باشند. داشتن دانش حداقلی از آمار و احتمال و حسابان (مباحث مشتق) و جبر خطی (ماتریس‌ها) به شما در فراگیری محتوای این کالج کمک می‌کند. به‌صورت کلی می‌توان گفت اگر با ریاضیات در حد مقطع دبیرستان آشنا باشید، به‌راحتی می‌توانید به ماجراجویی در این کالج بپردازید! اگر با پیش‌نیازهای کالج آشنا نیستید، می‌توانید با گذراندن سایر دوره‌های کوئرا کالج، مهارت‌های لازم را کسب کنید.

امیدواریم با ارائه‌ی آموزشی باکیفیت، گامی مثبت در افزایش دانش و پیشرفت شما برداریم. ✨

جامپ یادگیری عمیق