یادگیری عمیق (Deep Learning)
با یادگیری عمیق مدلهای هوشمندتر بساز!
دانیال سلیمانیAI Engineer & Lecturer at Arioobarzan Team
۸ ساعت
۴.۲/۵
۱۵۰ نفر
دستیار هوش مصنوعی
گواهینامه
ارزیابی
دوره جامع آموزش یادگیری عمیق (Deep Learning)
خیلی از قابلیتهایی که امروز در هوش مصنوعی میبینیم، از تشخیص تصویر و فهم زبان گرفته تا تولید محتوای جدید، به شبکههای عصبی عمیق متکی هستند. یادگیری عمیق همان جایی است که میتوانید از کار با مدلهای ساده عبور کنید و وارد دنیای واقعیتر هوش مصنوعی شوید.
در دوره یادگیری عمیق (Deep Learning) از ساخت یک شبکه عصبی ساده شروع میکنید و قدمبهقدم به CNN، RNN، Transformer و مدلهای مولد میرسید.
در طول دوره دیپ لرنینگ با پروژههایی مثل تشخیص تصویر، تحلیل احساسات، کار با BERT و GPT، تشخیص اشیا با YOLO و Fine-tuning مدلهای آماده، یاد میگیرید چطور مدلهای Deep Learning را در پروژههای واقعی به کار بگیرید.
سرفصل های دوره یادگیری عمیق (Deep Learning)
۱۰ فصل
۴۴ جلسه
۸ ساعت
۱.
دوره آموزشی یادگیری عمیق و کاربردهای آن
۰۰:۰۶:۵۱
۲.
آشنایی با هوش مصنوعی و مدلسازی در پایتون
۰۰:۰۷:۱۷
۳.
کاربردهای Deep Learning در زندگی روزمره
۰۰:۰۸:۳۹
۴.
مبانی شبکههای عصبی و یادگیری عمیق
۰۰:۲۲:۱۹
۵.
مفاهیم پایه شبکههای عصبی و یادگیری عمیق
۰۰:۲۵:۱۰
۶.
مقدمهای بر گوگل کولاب و استفاده از GPU در یادگیری عمیق
۰۰:۱۳:۲۲
۷.
آشنایی با استفاده از Kaggle در Data Science
۰۰:۰۹:۴۳
۸.
معرفی کتابخانههای دیپ لرنینگ در پایتون
۰۰:۰۷:۱۶
۹.
پیادهسازی تشخیص دستنوشته با Deep Learning
۰۰:۲۴:۳۷
۱۰.
مدلسازی شبکه عصبی از صفر برای شناسایی اعداد
۰۰:۱۶:۰۵
۱۱.
درک مفاهیم Epoch و Batch در یادگیری عمیق
۰۰:۲۰:۲۶
۱۲.
مبانی CRISP-DM در پروژههای هوش مصنوعی
۰۰:۱۲:۱۶
۱۳.
معرفی شبکه عصبی کانولوشنی (CNN) و ویژگیهای آن
۰۰:۲۷:۰۶
۱۴.
آشنایی با Average و Max Pooling در CNN
۰۰:۰۵:۲۲
۱۵.
جلوگیری از Overfitting در پروژه MNIST با Data Augmentation
۰۰:۱۹:۴۴
۱۶.
پیادهسازی CNN با TensorFlow بر روی Fashion MNIST
۰۰:۱۶:۵۸
۱۷.
پیادهسازی CNN و ارزیابی مدل در پروژه فشیون
۰۰:۱۲:۳۹
۱۸.
مدلهای پیچیده CNN و پیشگیری از Overfitting
۰۰:۱۲:۱۰
۱۹.
پیادهسازی Data Augmentation در آموزش مدلهای یادگیری عمیق
۰۰:۱۰:۲۹
۲۰.
پیادهسازی CNN و MLP روی دیتاستهای CIFAR-10 و CIFAR-100
۰۰:۰۲:۴۰
۲۱.
تاریخچه و توسعه شبکههای عصبی کانولوشنی (CNN)
۰۰:۰۳:۲۶
۲۲.
معماریهای مختلف یادگیری عمیق و کارکرد آنها
۰۰:۰۲:۵۲
۲۳.
یادگیری انتقالی و مدلهای از پیش آموزشدیده
۰۰:۱۵:۳۷
۲۴.
پیادهسازی یادگیری انتقالی با استفاده از Datasetها
۰۰:۲۲:۱۱
۲۵.
پیادهسازی Global Average Pooling در Transfer Learning
۰۰:۱۷:۱۸
۲۶.
انتقال یادگیری و تنظیم دقیق مدل در یادگیری عمیق
۰۰:۰۵:۴۷
۲۷.
شبکههای عصبی بازگشتی و پردازش دادههای ترتیبی
۰۰:۲۱:۱۴
۲۸.
تحلیل احساسات با شبکههای عصبی بازگشتی در Python
۰۰:۱۲:۲۰
۲۹.
پیادهسازی سنتیمنت آنالیسس با One-Hot Encoding
۰۰:۱۲:۳۱
۳۰.
مدلسازی و پردازش توکنها با استفاده از Padding
۰۰:۰۵:۴۲
۳۱.
مدلسازی شبکههای عصبی RNN و Transformer
۰۰:۰۹:۴۷
۳۲.
پروژه تحلیل نظرات فیلم با استفاده از مدلهای یادگیری عمیق
۰۰:۰۲:۰۲
۳۳.
مدلهای مولد در یادگیری عمیق و کاربردهای آنها
۰۰:۱۶:۲۵
۳۴.
پیادهسازی Autoencoder در یادگیری عمیق با Python
۰۰:۰۷:۲۸
۳۵.
آموزش شبکه عصبی Autoencoder با TensorFlow
۰۰:۱۶:۰۵
۳۶.
پیادهسازی Autoencoder و YOLO در دیتاستها
۰۰:۰۱:۲۶
۳۷.
آشنایی با Object Detection و Segmentation با YOLO
۰۰:۰۶:۴۸
۳۸.
کاربردهای Ultralytics در تشخیص و پردازش تصویر
۰۰:۰۹:۲۳
۳۹.
پیادهسازی پروژه تشخیص اشیاء با YOLO 12 و 26
۰۰:۰۷:۰۳
۴۰.
آشنایی با شناسایی تصویر دندان با YOLO و Dataset
۰۰:۰۳:۲۴
۴۱.
آموزش استفاده و آموزش مجدد YOLO در پروژهها
۰۰:۰۹:۱۷
۴۲.
آموزش دانلود و استفاده از Dataset در روبوفلو
۰۰:۲۲:۰۰
۴۳.
پروژه تشخیص تومور مغزی با روبوفلو
۰۰:۰۵:۰۶
۴۴.
آشنایی با پلتفرم Hugging Face و مدلهای آن
۰۰:۰۳:۰۰
مدرس دوره
دانیال سلیمانی
AI Engineer & Lecturer at Arioobarzan Team
سوالات متداول
بوتکمپهای مرتبط
کارجویان
آکادمی (بوتکمپ)
آکادمی (بوتکمپ پرو)
آکادمی (اسکیلکمپ)
دارای مجوز رسمی کاریابی الکترونیک و آموزش فنی و حرفهای
از وزارت کار، تعاون و رفاه اجتماعی
© ۱۴۰۵ تمام حقوق و محتویات این سایت متعلق به شرکت میزان بنیان
می باشد