آموزش یادگیری عمیق

۳۰۰+

کدآموز

۲۰+

تمرین عملی

۹۰+

درسنامه آموزشی

feature

به همراه گواهی معتبر

۱۲۰ روز مهلت گذراندن دوره

جامپ یادگیری عمیق

یادگیری عمیق را به صورت مسئله محور و کاربردی بیاموزید.

۳,۲۹۹,۰۰۰۲,۳۰۹,۳۰۰ تومان
quotationامکان پرداخت قسطیquotation

۲۷۰٪ رشد

شرکت‌های مبتنی بر هوش مصنوعی

۱۵۷,۰۰۰ دلار

میانگین سالانه حقوق مهندسان یادگیری عمیق در آمریکا

۳۳٪ رشد

سالانه‌ی بازار یادگیری عمیق در جهان

پایه‌ی مفاهیم

مدل‌های بزرگ زبانی (LLMs) مانند GPT

معرفی

حامیان

مخاطبین

پیش‌نیازها

سرفصل‌ها

پروژه‌ها

اساتید

0 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 1

معرفی دوره

یادگیری عمیق یکی از حوزه‌های یادگیری ماشین است که با استفاده از شبکه‌های عصبی با تعداد لایه‌ی زیاد سعی بر حل مسائل پیچیده‌تری دارد. در این دوره از پایه با مفاهیم یادگیری عمیق و شبکه‌های عصبی آشنا می‌شوید و انواع آن‌ها و کاربردهایشان را می‌آموزید. همچنین با فریم‌ورک‌های کراس (Keras)، تنسورفلو (TensorFlow) و پای‌تورچ (PyTorch) به‌صورت عملی کار می‌کنید.

    Loading...
    • section item

      این دوره مناسب شما است اگر...

      می‌خواهید یادگیری عمیق را از پایه و به شکل اصولی بیاموزید.

      مشتاقید مسیر یادگیری یادگیری عمیق را برای خود هموار کنید.

      دنبال شغل یا فعالیتی هستید که خلاقیت خود را شکوفا کنید.

      کاربردهای یادگیری عمیق مانند پیش‌بینی انواع رخدادها در آینده، برایتان جذاب است.

    • section item

      این دوره مناسب شما نیست اگر...

      می‌خواهید سطحی و گذرا یادگیری عمیق را بیاموزید.

      تجربه کار با مجموعه داده‌ها و مسائل مختلف برایتان ارزشی ندارد.

      هنوز برای آینده‌ی شغلی‌تان تصمیم جدی نگرفته‌اید.

      حاضر نیستید در هفته ۱۰ ساعت برای یادگیری، پیشرفت و رشد درآمدتان زمان بگذارید.

    • پیش‌نیازها

    • لازم است...

      section item

      با مقدمات تحلیل داده با پایتون (Numpy و Pandas) آشنا باشید.

      section item

      با مفاهیم زبان پایتون آشنا باشید.

      section item

      بر ریاضیات دبیرستان مسلط باشید.

    • لازم نیست...

      section item

      در رشته‌ی کامپیوتر تحصیل کرده باشید.

      section item

      دانش الگوریتمی قوی‌ داشته باشید.

    سرفصل‌های دوره

    ۹۶

    درسنامه

    ۲۷

    تمرین















    certificatethumb
    Loading...

    اساتید و مربیان دوره

    دیبا امین شهیدی's avatar
    دیبا امین شهیدی
    طراح
    college

    جامپ یادگیری عمیق


    feature

    ۲۰+ تمرین عملی

    feature

    ۹۰+ درسنامه آموزشی

    ۱۲۰ روز مهلت ارسال تمرین
    گواهی معتبر

    سوالات متداول











    آموزش یادگیری عمیق

    یادگیری عمیق چیست؟

    یادگیری عمیق یک تکنیک یادگیری ماشین است که به کامپیوترها یاد می‌دهد کاری را انجام دهند که به طور طبیعی در انسان‌ها وجود دارد: یادگیری از مثال. یادگیری عمیق تکنولوژی کلیدی پشت خودروهای بدون راننده است، که این امکان را فراهم می‌کند تا یک علامت توقف را تشخیص دهند یا یک عابر پیاده را از یک ستون نورپرداز تشخیص دهند. این تکنولوژی همچنین تکنولوژی کلیدی برای کنترل صدا در دستگاه‌های مصرفی مانند تلفن‌های هوشمند، تبلت‌ها، تلویزیون‌ها و هندزفری‌ها است. یادگیری عمیق در حال حاضر توجه زیادی را به خود جلب کرده و دلیل آن هم مشخص است. این که این تکنولوژی در حال حاصل کردن نتایجی است که قبلا ممکن نبود.

     

    در یادگیری عمیق، یک مدل کامپیوتری یاد می‌گیرد که به طور مستقیم از تصاویر، متن یا صدا وظایف دسته‌بندی (classification) را انجام دهد. مدل‌های یادگیری عمیق می‌توانند دقتی به شدت بالا را برای وظایف مشخصه کنند و گاهی اوقات عملکرد معادل یا حتی بالاتر از عملکرد انسان را داشته باشند. این مدل‌ها با استفاده از یک مجموعه بزرگ از داده‌های برچسب‌گذاری شده و ساختارهای شبکه عصبی با تعداد لایه‌های بسیار زیاد، آموزش داده می‌شوند.

     

     چرا یادگیری عمیق مهم است؟

    در یک کلمه، دقت. یادگیری عمیق دقت تشخیصی را در سطوح بالاتر از هر زمان دیگری به دست می‌آورد. این امر به کامپیوتر کمک می‌کند تا انتظارات کاربران را برآورده سازد و برای برنامه‌های حیاتی مانند خودروهای بدون راننده بسیار حیاتی است. پیشرفت‌های اخیر در زمینه یادگیری عمیق به حدی بهبود یافته‌اند که یادگیری عمیق در برخی از وظایف مانند طبقه‌بندی اشیاء در تصاویر از انسان‌ها بهتر عمل می‌کند.

    اگرچه یادگیری عمیق ابتدا در دهه 1980 به نظریه‌پردازی شد، اما دو دلیل اصلی وجود دارد که اخیرا بیشتر مورد استفاده قرار می‌گیرد:

    • یادگیری عمیق به حجم زیادی از داده‌های برچسب‌گذاری‌شده نیاز دارد. به عنوان مثال، توسعه خودروهای بدون راننده نیاز به میلیون‌ها تصویر و هزاران ساعت ویدئو دارد.
    •  یادگیری عمیق به قدرت محاسباتی قابل توجهی نیاز دارد. GPU‌های با عملکرد بالا دارای یک معماری موازی هستند که برای یادگیری عمیق بهینه است و زمانی که با خوشه‌ها یا محاسبات ابری ترکیب می‌شوند، این امکان را فراهم می‌کند که تیم‌های توسعه، زمان آموزش شبکه یادگیری عمیق را از هفته‌ها به ساعت‌ها یا کمتر کاهش دهند.

     

    از یادگیری عمیق در چه مواردی استفاده می‌شود؟

    یادگیری عمیق نقش مهمی در زمینه آمار و مدل‌سازی پیش‌بینی‌کننده دارد. با جمع‌آوری حجم عظیمی از داده و تجزیه و تحلیل آن، یادگیری عمیق مدل‌های پیش‌بینی متعددی ایجاد می‌کند تا الگوها و روندهای موجود در داده را درک کند.

     

    کاربردهای یادگیری عمیق

    از یادگیری عمیق در صنایع مختلف از رانندگی خودکار تا دستگاه‌های پزشکی استفاده می‌شود. در این‌ بخش به برخی از این کاربردها اشاره می‌کنیم.

    رانندگی خودکار

    پژوهشگران خودرو از یادگیری عمیق برای شناسایی خودکار اشیاء مانند تابلوهای ترافیک و چراغ‌های راهنمایی استفاده می‌کنند. علاوه بر این، یادگیری عمیق برای شناسایی عابران نیز استفاده می‌شود که به کاهش تصادفات کمک می‌کند.

    هوافضا و دفاع

    یادگیری عمیق از ماهواره‌ها برای یافتن مناطق مورد علاقه و شناسایی مناطق امن یا نامناسب برای نیروهای نظامی استفاده می‌شود.

    تحقیقات پزشکی

    پژوهشگران سرطان از یادگیری عمیق برای شناسایی خودکار سلول‌های سرطان استفاده می‌کنند. تیم‌هایی در دانشگاه کالیفرنیا، لس آنجلس، یک میکروسکوپ پیشرفته ساختند که یک مجموعه داده با بعد بالا تولید کرد که برای آموزش یک برنامه یادگیری عمیق برای شناسایی دقیق سلول‌های سرطان استفاده شد.

    اتوماسیون صنعتی

    یادگیری عمیق با شناسایی خودکار زمانی که افراد یا اشیاء در فاصله نامناسبی از ماشین‌آلات قرار دارند، به بهبود ایمنی کارگران در اطراف ماشین‌آلات سنگین کمک می‌کند.

    الکترونیک

    یادگیری عمیق در ترجمه صدا و گفتار خودکار استفاده می‌شود. به عنوان مثال،  هاب‌های خانه هوشمند که به صدای شما پاسخ می‌دهند، توسط برنامه‌های یادگیری عمیق ساخته می‌شوند.

     

    تفاوت یادگیری ماشین و یادگیری عمیق

    یادگیری عمیق مانند نوع خاصی از یادگیری ماشین است. در یادگیری ماشین، با انتخاب جزئیات مهم از تصاویر شروع می‌کنیم، سپس این جزئیات را برای ساخت یک مدل که تصویر را به طور کامل تشخیص دهد، استفاده می‌کنیم. اما با یادگیری عمیق، به صورت خودکار جزئیات مهم در تصاویر استخراج می‌شود. به علاوه، یادگیری عمیق یادگیری پایان به پایان (end-to-end learning) است، به این معنا که یک شبکه داده‌های خام و یک وظیفه مشخص مانند دسته‌بندی را به عهده گرفته و به صورت خودکار یاد می‌گیرد چگونه این کار را انجام دهد.

     

    یک تفاوت بزرگ این است: یادگیری عمیق هنگامی که داده بیشتری دارید، بهتر عمل می‌کند، اما یادگیری کم‌عمق بعد از یک نقطه معین توقف بهبود می‌یابد. یادگیری کم‌عمق حالتی‌ست که یادگیری ماشین در یک جا به حد کارآیی می‌رسد، حتی اگر نمونه‌ها و داده‌های آموزشی بیشتری اضافه کنید.

     

    چطور بین یادگیری ماشین و یادگیری عمیق انتخاب کنیم؟

    یادگیری ماشین انواع مختلفی از تکنیک‌ها و مدل‌ها را ارائه می‌دهد که می‌توانید بر اساس برنامه کاربردی خود، اندازه داده‌هایی که در حال پردازش هستند و نوع مسئله‌ای که می‌خواهید حل کنید، از بین آن‌ها انتخاب کنید. برای یک برنامه یادگیری عمیق موفق، مقدار بسیار زیادی داده (هزاران تصویر) برای آموزش مدل و همچنین GPU یا واحدهای پردازش گرافیکی برای پردازش سریع داده‌هایتان لازم است.داشتن یک GPU با عملکرد بالا به معنای کاهش زمان تجزیه و تحلیل تمام تصاویر توسط مدل خواهد بود.

    هنگام انتخاب بین یادگیری ماشین و یادگیری عمیق، در نظر داشته باشید که آیا یک GPU با عملکرد بالا و داده‌های زیاد برچسب دار دارید یا خیر. اگر هیچ‌کدام از اینها را ندارید، ممکن است منطقی‌تر باشد از یادگیری ماشین به جای یادگیری عمیق استفاده کنید. یادگیری عمیق به طور کلی پیچیده‌تر است، بنابراین حداقل باید چند هزار تصویر داشته باشید تا نتایج قابل اعتمادی بگیرید.

     

    آینده یادگیری عمیق

    حوزه هوش مصنوعی به طور جدی نیاز به نیروی انسانی دارد. هر چند هنوز همه شرکت‌ها در حال حاضر به دنبال افراد حرفه‌ای با مهارت‌های یادگیری عمیق نیستند، اما انتظار می‌رود که داشتن این متخصصان آموزش دیده به تدریج یک الزام حیاتی برای سازمان‌هایی باشد که می‌خواهند در دور رقابت باقی بمانند و نوآوری داشته باشند. مهندسان یادگیری ماشین به دلیل اینکه هیچ یک از داده‌دانان یا مهندسان نرم‌افزار دقیقا مهارت‌های لازم برای حوزه یادگیری ماشین را ندارند، خواهان زیادی دارند.

    Glassdoor میانگین حقوق یک مهندس یادگیری ماشین را تقریبا 115,000 دلار سالانه اعلام کرده است. به گفته PayScale، محدوده حقوق از 100,000 دلار تا 166,000 دلار می‌باشد. رشد این حوزه در سال‌های آینده به دلیل بهبود و گسترش سیستم‌ها و ابزارهای یادگیری عمیق در تمام صنایع شتاب خواهد یافت.