دوره
درباره معماری‌های اساسی یادگیری عمیق مثل CNN ،RNN ،LSTM و GRU برای مدل‌سازی داده‌های تصویری و دنباله‌ای یاد بگیرید.
یادگیری عمیق، یک حوزه در حال توسعه سریع از هوش مصنوعیه که حوزه یادگیری ماشین رو متحول کرده و باعث پیشرفت‌های بزرگی در زمینه‌هایی مثل بینایی ماشین، پردازش زبان طبیعی و تشخیص گفتار شده. در این دوره، مدل‌های یادگیری عمیق قدرتمندی رو با PyTorch برای طیف وسیعی از کاربردها، از جمله مدل‌های تصویری و دنباله‌ای توسعه می‌دید. شما با معماری‌های اصلی شبکه، مثل شبکه‌های عصبی کانولوشنی (CNN) و شبکه‌های عصبی بازگشتی (RNN)، از جمله شبکه‌های حافظه بلند-کوتاه‌مدت (LSTM) و واحدهای بازگشتی دروازه‌ای (GRU) آشنا می‌شید.
یاد بگیرید چطور شبکه‌های عصبی رو به‌شکلی پایدار و قابل‌اعتماد آموزش بدید. در این بخش، با استفاده از برنامه‌نویسی شی‌گرا، دیتاست‌ها و مدل‌های PyTorch رو تعریف می‌کنید و مروری هم روی آموزش و ارزیابی شبکه‌های عصبی دارید. همچنین با بهینه‌سازهای مختلف آشنا می‌شید و در نهایت، تکنیک‌های مختلفی رو یاد می‌گیرید که به کاهش مشکلات ناشی از گرادیان‌های ناپایدار در آموزش شبکه‌های عصبی کمک می‌کنن.
یاد بگیرید چطور شبکه‌های عصبی رو برای حل مسائل طبقه‌بندی تصویر آموزش بدید. در این بخش، با نحوه کار با داده‌های تصویری در PyTorch و شبکه‌های عصبی کانولوشنی (CNN) آشنا می‌شید. همچنین آموزش و ارزیابی یک مدل طبقه‌بندی تصویر رو تمرین می‌کنید و یاد می‌گیرید چطور با افزایش داده، عملکرد مدل رو بهتر کنید.
یاد بگیرید چطور شبکه‌های عصبی بازگشتی (RNN) رو برای پردازش داده‌های ترتیبی مثل سری‌های زمانی، متن یا صدا بسازید و آموزش بدید. در این بخش، با دو معماری بازگشتی پرکاربرد یعنی حافظه کوتاه‌مدت بلند (LSTM) و واحد بازگشتی دروازه‌ای (GRU) آشنا می‌شید و یاد می‌گیرید چطور داده‌های ترتیبی رو برای آموزش مدل آماده کنید. همچنین با آموزش و ارزیابی یک مدل بازگشتی برای پیش‌بینی مصرف برق، مهارت‌هاتون رو تمرین می‌کنید.
یاد بگیرید چطور مدل‌های چندورودی و چندخروجی بسازید؛ مدل‌هایی که می‌تونن با بیش از یک ورودی کار کنن یا چند خروجی تولید کنن. در این بخش، با طراحی و آموزش این مدل‌ها در PyTorch آشنا می‌شید و موضوع مهم وزن‌دهی تابع زیان در مدل‌های چندخروجی رو بررسی می‌کنید. همچنین یاد می‌گیرید چطور هنگام آموزش یک مدل برای انجام هم‌زمان چند وظیفه، اهمیت هر وظیفه رو به‌درستی متعادل کنید.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
یادگیری عمیق، یک حوزه در حال توسعه سریع از هوش مصنوعیه که حوزه یادگیری ماشین رو متحول کرده و باعث پیشرفت‌های بزرگی در زمینه‌هایی مثل بینایی ماشین، پردازش زبان طبیعی و تشخیص گفتار شده. در این دوره، مدل‌های یادگیری عمیق قدرتمندی رو با PyTorch برای طیف وسیعی از کاربردها، از جمله مدل‌های تصویری و دنباله‌ای توسعه می‌دید. شما با معماری‌های اصلی شبکه، مثل شبکه‌های عصبی کانولوشنی (CNN) و شبکه‌های عصبی بازگشتی (RNN)، از جمله شبکه‌های حافظه بلند-کوتاه‌مدت (LSTM) و واحدهای بازگشتی دروازه‌ای (GRU) آشنا می‌شید.
یاد بگیرید چطور شبکه‌های عصبی رو به‌شکلی پایدار و قابل‌اعتماد آموزش بدید. در این بخش، با استفاده از برنامه‌نویسی شی‌گرا، دیتاست‌ها و مدل‌های PyTorch رو تعریف می‌کنید و مروری هم روی آموزش و ارزیابی شبکه‌های عصبی دارید. همچنین با بهینه‌سازهای مختلف آشنا می‌شید و در نهایت، تکنیک‌های مختلفی رو یاد می‌گیرید که به کاهش مشکلات ناشی از گرادیان‌های ناپایدار در آموزش شبکه‌های عصبی کمک می‌کنن.
یاد بگیرید چطور شبکه‌های عصبی رو برای حل مسائل طبقه‌بندی تصویر آموزش بدید. در این بخش، با نحوه کار با داده‌های تصویری در PyTorch و شبکه‌های عصبی کانولوشنی (CNN) آشنا می‌شید. همچنین آموزش و ارزیابی یک مدل طبقه‌بندی تصویر رو تمرین می‌کنید و یاد می‌گیرید چطور با افزایش داده، عملکرد مدل رو بهتر کنید.
یاد بگیرید چطور شبکه‌های عصبی بازگشتی (RNN) رو برای پردازش داده‌های ترتیبی مثل سری‌های زمانی، متن یا صدا بسازید و آموزش بدید. در این بخش، با دو معماری بازگشتی پرکاربرد یعنی حافظه کوتاه‌مدت بلند (LSTM) و واحد بازگشتی دروازه‌ای (GRU) آشنا می‌شید و یاد می‌گیرید چطور داده‌های ترتیبی رو برای آموزش مدل آماده کنید. همچنین با آموزش و ارزیابی یک مدل بازگشتی برای پیش‌بینی مصرف برق، مهارت‌هاتون رو تمرین می‌کنید.
یاد بگیرید چطور مدل‌های چندورودی و چندخروجی بسازید؛ مدل‌هایی که می‌تونن با بیش از یک ورودی کار کنن یا چند خروجی تولید کنن. در این بخش، با طراحی و آموزش این مدل‌ها در PyTorch آشنا می‌شید و موضوع مهم وزن‌دهی تابع زیان در مدل‌های چندخروجی رو بررسی می‌کنید. همچنین یاد می‌گیرید چطور هنگام آموزش یک مدل برای انجام هم‌زمان چند وظیفه، اهمیت هر وظیفه رو به‌درستی متعادل کنید.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
با اپلیکیشن فینکا، به بیشتر دوره‌ها و مسیرها روی موبایل دسترسی دارید، تمرین می‌کنید و یادگیری رو هم‌زمان روی موبایل و دسکتاپ ادامه می‌دید.