Loading...
  • 2.5/5.0
  • (2 نظرات)
  • تعداد قسمت 5
  • مدت زمان 03:19:32
  • انتشار 1403/03/06
  • آخرین ویرایش 1403/03/06

دانیال شریف رازی

مدرس دانشسرا

آشنایی و پیاده سازی الگوریتم های یادگیری عمیق

  • 2.5/5.0
  • تعداد مهارتجو 64
  • آخرین ویرایش 1403/03/06
  • انتشار 1403/09/23

توضیحات آشنایی و پیاده سازی الگوریتم های یادگیری عمیق

یادگیری عمیق به عنوان یکی از زیرشاخه‌های حوزه یادگیری ماشین تلقی می‌شود. هدف یادگیری عمیق طراحی سیستم‌های کامپیوتری هوشمندی است که بتوانند مشابه انسان درباره موضوعی خاص، راه‌حل ارائه کنند و مفاهیم جدیدی را یاد بگیرند.اصلی‌ترین مباحث این شاخه، آمار و مدل‌سازی برای پیش‌بینی مسائل مختلف را شامل می‌شود. مهندسان علم داده با استفاده از روش‌های یادگیری عمیق می‌توانند جمع‌آوری، تجزیه و تحلیل و تفسیر حجم عظیمی از داده‌ها را سریع‌تر و آسان‌تر انجام دهند.الگوریتم‌های یادگیری عمیق با در اختیار داشتن ورودی‌های مختلفی از دنیای بیرون مانند تصاویر، صوت و متن، به دنبال پیدا کردن الگوهایی هستند که با استفاده از آن‌ها بتوانند پیش‌بینی خاصی را پیرامون موضوع مطرح شده انجام دهند. الگوریتم های یادگیری عمیقیادگیری عمیق، رده‌ای از الگوریتم‌های یادگیری ماشین است که از چند لایه برای استخراج...
یادگیری عمیق به عنوان یکی از زیرشاخه‌های حوزه یادگیری ماشین تلقی می‌شود. هدف یادگیری عمیق طراحی سیستم‌های کامپیوتری هوشمندی است که بتوانند مشابه انسان درباره موضوعی خاص، راه‌حل ارائه کنند و مفاهیم جدیدی را یاد بگیرند.

اصلی‌ترین مباحث این شاخه، آمار و مدل‌سازی برای پیش‌بینی مسائل مختلف را شامل می‌شود. مهندسان علم داده با استفاده از روش‌های یادگیری عمیق می‌توانند جمع‌آوری، تجزیه و تحلیل و تفسیر حجم عظیمی از داده‌ها را سریع‌تر و آسان‌تر انجام دهند.

الگوریتم‌های یادگیری عمیق با در اختیار داشتن ورودی‌های مختلفی از دنیای بیرون مانند تصاویر، صوت و متن، به دنبال پیدا کردن الگوهایی هستند که با استفاده از آن‌ها بتوانند پیش‌بینی خاصی را پیرامون موضوع مطرح شده انجام دهند.

 

الگوریتم های یادگیری عمیق


یادگیری عمیق، رده‌ای از الگوریتم‌های یادگیری ماشین است که از چند لایه برای استخراج ویژگی‌های سطح بالا از ورودی خام استفاده می‌کنند. رده‌ای از تکنیک‌های یادگیری ماشین که از چندین لایه‌ی پردازش اطلاعات بهره می‌برد تا عملیات تبدیل یا استخراج ویژگی نظارت‌شده یا نظارت‌نشده را با هدف تحلیل یا باز شناخت الگو، کلاس‌بندی، خوشه‌بندی انجام دهد.

 

علت محبوبیت الگوریتم های یادگیری عمیق


تا قبل از پیدایش یادگیری عمیق، روش‌های یادگیری ماشین سنتی، پیش از حد به بازنمایی‌هایی (انتخاب ویژگی‌ها) که از داده‌ها بدست می‌آورند، وابسته بودند. این روش‌ها، نیاز به یک متخصص در دامنه موضوع داشت تا استخراج ویژگی‌ها را بصورت دستی انجام دهد.

حال آن که، این استخراج ویژگی‌ها به صورت دستی فرآیندی چالش‌انگیز و زمان‌بر است. پیدایش یادگیری عمیق توانست بسرعت جایگزین این روش‌های سنتی شود. چرا که می‌توانست استخراج ویژگی‌ها را به‌صورت خودکار متناسب با هر مساله بدست آورد.

 

مزایای یادگیری پیاده سازی الگوریتم های یادگیری عمیق


مهمترین مزایای یادگیری عمیق عبارت اند از:

  • یادگیری خودکار ویژگی‌ها

  • یادگیری چندلایه ویژگی‌ها

  • دقت بالا در نتایج

  • قدرت تعمیم بالا و شناسایی داده‌های جدید

  • پشتیبانی گسترده سخت‌افزاری و نرم‌افزاری

  • پتانسیل ایجاد قابلیت‌ها و کاربردهای بیشتر در آینده


مفید برای رشته‌های



  • مهندسی کامپیوتر - نرم‌افزار

  • مهندسی فناوری اطلاعات (IT)

  • هوش مصنوعی

  • مهندسی برق

  • مهندسی پزشکی

  • مهندسی صنایع


آنچه در این دوره یاد می گیریم :


دوره پیاده سازی الگوریتم های یادگیری عمیق شامل پنج بخش اصلی می باشد. در بخش اول به معرفی اولیه یادگیری عمیق پرداخته می شود. در بخش دوم مبانی تئوری یادگیری عمیق بیان میشود. در بخش سوم به پیاده سازی یک نمونه از شبکه های عصبی عمیق بصورت خیلی ساده پرداخته می شود. در بخش چهارم به معرفی و پیاده سازی شبکه های عصبی کانولوشنی بر روی تصاویر پزشکی پرداخته می شود. در بخش پنجم به معرفی و پیاده سازی شبکه های عصبی بازگشتی در مسائل سری زمانی و پیشبینی دیتاها پرداخته می شود.

 

قسمت های آشنایی و پیاده سازی الگوریتم های یادگیری عمیق

1 - هوش مصنوعی و یادگیری عمیق

00:18:24


2 - مبانی تئوری یادگیری عمیق

00:26:43


3 - شبکه های تمام متصل (Multi Layer Perceptron)

00:49:38


4 - شبکه های کانولوشنی (CNN)

01:02:34


5 - شبکه های عصبی بازگشتی (RNN, LSTM, GRU)

00:42:13

سوالت را بپرس ...

  • amerizade73
    amerizade73

    با سلام و عرض ادب
    لطفا فایل های ضمیمه رو قرار بدید.
    ممنون

    2 سال قبل