خیر. باید از قبل با مبانی PyTorch و شبکههای عصبی آشنا باشید، چون بخش اول خیلی زود وارد طراحی مدل به روش شیگرا، بهینهسازها و رفع مشکل محوشدن و انفجار گرادیانها میشه.
دوره
یادگیری عمیق تکمیلی با PyTorch
درباره معماریهای اساسی یادگیری عمیق مثل CNN ،RNN ،LSTM و GRU برای مدلسازی دادههای تصویری و دنبالهای یاد بگیرید.
کاربرهای فینکا در چه شرکتهایی مشغول به کار هستند؟
توضیحات دوره
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.
همونیه که میخواید یاد بگیرید؟
1
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.
2
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.
3
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.
4
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.
گواهی پایان دوره
- تأیید مهارت شما
با تکمیل این دوره، شما یک گواهی معتبر دریافت میکنید که بیانگر کسب مهارتهای لازم مرتبط با این دوره آموزشی است.
- اعتبار و اصالت گواهی
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم میکند.
- اشتراکگذاری
میتوانید گواهیهای خود را بهراحتی در شبکههای حرفهای مانند لینکدین با دیگران به اشتراک بگذارید.
پیش نیازهای دوره
منابع
Omniglot - Train
Omniglot - Test
Electricity Consumption
Clouds
Water Potability
توضیحات دوره
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.
همونیه که میخواید یاد بگیرید؟
1
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.
2
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.
3
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.
4
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.
گواهی پایان دوره
- تأیید مهارت شما
با تکمیل این دوره، شما یک گواهی معتبر دریافت میکنید که بیانگر کسب مهارتهای لازم مرتبط با این دوره آموزشی است.
- اعتبار و اصالت گواهی
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم میکند.
- اشتراکگذاری
میتوانید گواهیهای خود را بهراحتی در شبکههای حرفهای مانند لینکدین با دیگران به اشتراک بگذارید.
پیش نیازهای دوره
منابع
Omniglot - Train
Omniglot - Test
Electricity Consumption
Clouds
Water Potability
سوالات متداول
دریافت اپلیکیشن فینکا
با اپلیکیشن فینکا، به بیشتر دورهها و مسیرها روی موبایل دسترسی دارید، تمرین میکنید و یادگیری رو همزمان روی موبایل و دسکتاپ ادامه میدید.
