کمپ جامع یادگیری عمیق با تنسورفلو
کمپ یادگیری عمیق با تنسورفلو فیلاگر یادگیری عمیق یا دیپ لرنینگ از پرکاربردترین ابزارهای هوش…
کمپ یادگیری عمیق با تنسورفلو فیلاگر
یادگیری عمیق یا دیپ لرنینگ از پرکاربردترین ابزارهای هوش مصنوعی در سال‌های اخیر بوده و همین موضوع باعث جذب افراد زیادی به یادگیری مهارت‌های مرتبط با آن شده است.
توسعه کتابخانه‌ها و فریمورک هایی نظیر تنسورفلو، باعث ساده تر شدن برنامه نویسی الگوریتم های یادگیری عمیق شده، اما برای تسلط بر این ابزارها و توسعه بهترین اپلیکیشن های یادگیری عمیق، لازم است تا از ابتدا با مفاهیم پایه این شاخه از هوش مصنوعی آشنا شوید.
در کمپ یادگیری عمیق با تنسورفلو فیلاگر شما از ابتدا و با بیانی قابل فهم و ساده، مفاهیم یادگیری عمیق را به صورت اساسی و پایه‌ای درک کرده و در ادامه با کتابخانه قدرتمند گوگل یعنی تنسورفلو، برنامه نویسی دیپ لرنینگ را با پیاده سازی شبکه های عصبی مصنوعی، شبکه های کانولوشن و پروژه های شبکه عصبی چند لایه انجام میدهید.
ویژگی‌های متمایز کمپ یادگیری عمیق با تنسورفلو فیلاگر
پروژه محور
انجام پروژه‌های ساخت شبکه های عصبی کانولوشن و شبکه عصبی چند لایه با تنسورفلو
عضویت در گروه تلگرامی VIP
عضویت در گروه ویژه برای رفع اِشکال و ارتباط با مدرس تا 15 روز پس از اتمام دوره
با تدریس استاد بین‌المللی
دکتر ملکی، استاد دانشگاه ملی ایرلند با سابقه بیش از 20 سال فعالیت تخصصی
آموزش مفاهیم عمیق و از پایه
مفاهیم ریاضی پیش نیاز یادگیری عمیق نیز با بیانی ساده آموزش داده میشود
مدرک به زبان انگلیسی
گواهینامه الکترونیکی قابل اعتبار سنجی از جامعه هوش مصنوعی|فیلاگر
آزمایشگاه پروژه نهایی، تمرین‌های هفتگی و رفع اِشکال
علاوه بر تمرین‌های هفتگی برای ارتقا مهارت، پروژه نهایی و آزمایشگاه پروژه برگزار میشود
زمان‌بندی
جلسات به صورت آنلاین و در روزهای چهارشنبه و جمعه هر هفته ساعت 21 تا 22:30 برگزار میشود.
جلسات رفع اِشکال دوشنبه هر هفته ساعت 20 تا 21:30 برگزار میشود.
شروع کمپ جامع یادگیری عمیق فیلاگر از چهارشنبه 26 آبان ماه 1400 و به مدت 10 هفته خواهد بود.
سرفصل‌ها
مفاهیم و ریاضیات پیش نیاز
جلسه اول
Introduction to TensorFlow
• Installing
• Variables in TensorFlow
• Tensorflow operations
• Placeholder tensors
جلسه دوم
Linear Algebra
• Vectors, Matrices and Tensors
• Matrix operations
• Inverse of a matrix
• Eigenvalue and eigenvector
جلسه سوم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه چهارم
Probability Theory
• Random variable
• Probability distribution
• Conditional Probability and Chain rule for conditional probability
• Expectation and Variance
• Bayes rule
• Continuous variables, e.g., Gaussian.
جلسه پنجم
Information Theory
• Shanon Entropy
• Kullback-Leibler (KL) divergence
• Cross entropy
جلسه ششم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه هفتم
Calculus
• Derivative as linear map
• Chain rule
• Jacobian
• Matrix derivatives
جلسه هشتم
Automatic Differentiation
• Automatic Differentiation in TensorFlow
جلسه نهم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه دهم
Perceptron
• Logistic regression
• Comparison with Bayes Classifier
جلسه یازدهم
Multi Layer Perceptron
• Definition of Deep Network
• Architecture
• Universal Approximation Theorem
جلسه دوازدهم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه سیزدهم
Gradient Descent
• Minibatch Gradient Descent
• Batch Gradient Descent
• Stochastich Grdient Descent
جلسه چهاردهم
Backpropagation
جلسه پانزدهم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه شانزدهم
Test Sets, Validation Sets, and Overfitting
جلسه هفدهم
Convolutional Neural Networks
• Convolution
• Pooling
• Max pooling
• Full Architecture
جلسه هجدهم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه نوزدهم
Advance topics in TensorFlow
• Sessions in TensorFlow
• Navigating Variable Scopes and Sharing Variables.
• Specifying the Logistic Regression Model in TensorFlow
• Logging and Training the Logistic Regression Model in TensorFlow.
جلسه بیستم
Recurrent Neural Networks
جلسه بیست و یکم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه بیست و دوم
Encoder-Decoder
جلسه بیست و سوم
Long Short-Term Memory (LSTM)
جلسه بیست و چهارم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه بیست و پنجم
Project: Building Multilayer Neural Networks with TensorFlow
جلسه بیست و ششم
Project: Building a Convolutional Neural Network with TensorFlow
جلسه بیست و هفتم
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
جلسه بیست و هشتم
Project: Building an Encoder-Decoder with Tensorflow
جلسه بیست و نهم
Lab for the Final Project.
جلسه سی ام
حل تمرین‌های هفته گذشته و رفع اِشکال دانشجویان
اساتید دوره
دکتر مهرداد ملکی
مدرس و محقق فوق دکتری دانشگاه ملی ایرلند
مدرس مدرسه تابستانه شبکه های عصبی دانشگاه ملی ایرلند و دانشگاه ژجیانگ چین
فلوشیپ هوش مصنوعی و دیپ لرنینگ ایریش ریسرچ کانسیل
دکتری علوم کامپیوتر از پژوهشگاه دانش‌های بنیادی و کارشناسی ارشد ریاضی از دانشگاه شریف
دارای ۲۰ سال سابقه تدریس دروس علوم کامپیوتر و ریاضی در دانشگاه
گواهینامه
در انتهای بوت کمپ هوش مصنوعی، به دانشجویان دوره گواهینامه الکترونیکی به زبان انگلیسی و با Certificate Number قابل اعتبار سنجی از “جامعه هوش مصنوعی ایران|فیلاگر” تقدیم میشود. در صورت تمایل، امکان دریافت گواهینامه فیزیکی با پرداخت هزینه مربوطه، وجود دارد.
سوالات متداول:
تمام مطالب تدریس شده در “کمپ یادگیری عمیق با تنسورفلو فیلاگر” از سطح پایه آموزش داده میشود و در نتیجه آشنایی ابتدایی با زبان برنامه نویسی پایتون جهت گذراندن این دوره کافی است. در صورت عدم آشنایی مقدماتی با زبان پایتون، دوره رایگان یادگیری مقدمات پایتون نیز به شما تقدیم میشود که با گذراندن آن در مدت زمان کوتاه قبل از شروع دوره، این مقدمات را فرا میگیرید.
ریاضیات پایه این بخش در سطح کانسپت و با رویکردی متفاوت تدریس میشود و نیاز به دانسته های قبلی ندارد (بدون پیش‌نیاز است).
ویدیو جلسات جهت تماشای آنلاین در اختیار تمام دانش‌پژوهان قرار خواهد گرفت تا دانشجویانی که به هر دلیل نتوانستند در جلسه‌ای شرکت کنند به مطالب جلسات مختلف دسترسی داشته باشند. این ویدیوها تا 1 ماه پس از اتمام دوره نیز در دسترس میباشد.
اولویت اصلی، حضور دانش‌پژوهان دوره در کلاس آنلاین به منظور انجام تمرین‌ها و شرکت در پروژه‌هاست.
در طول دوره، شما به همراه دیگر شرکت‌کنندگان در یک گروه تلگرامی VIP با حضور مُدرس دوره عضو خواهید شد و امکان رفع اشکال فراهم شده است. امکان رفع اِشکال و پرسیدن سوالات در گروه تا 15 روز بعد از اتمام تمام جلسات نیز ادامه خواهد داشت.
بعد از کلیک بر روی دکمه “ثبت نام” در انتهای همین صفحه، وارد صفحه‌ای میشوید که در آن باید نام، نام خانوادگی، ایمیل و شماره تماس خود را وارد کنید. سپس به صفحه پرداخت وارد میشوید و پرداخت را انجام میدهید.
حداکثر تا 24 ساعت پس از پرداخت موفق، از طرف فیلاگر به شما ایمیل ارسال میشود. تمام هماهنگی‌های بعدی جهت ورود به دوره و موارد دیگر، از طریق پشتیبانی به شما اطلاع داده میشود. همچنین پیگیری‌های بعد از ثبت نام را میتوانید با آی دی تلگرامی filoger_support@ انجام دهید.
در صورت تمایل به پرداخت اقساطی، در تلگرام به آی دی پشتیبانی فیلاگر به نشانی filoger_support@ پیام دهید تا شرایط و نحوه پرداخت به شما اطلاع داده شود (برای ارتباط با پشتیبانی در تلگرام، اینجا کلیک کنید)
قبل از هرچیزی، فرم درخواست مشاوره را تکمیل کنید!