معرفی محصول
این دوره طراحی شده است تا ما بتوانیم دانش خود را به اشتراک بگذاریم و به شما کمک کنیم تئوری پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی ساده بیاموزید. ما شما را قدم به قدم به دنیای یادگیری ماشین خواهیم برد. با استفاده از هر آموزش، مهارت های جدیدی پیدا خواهید کرد و درک خود را از این زیرشاخه چالش برانگیز و در عین حال سودآور علم داده بهبود خواهید بخشید. این دوره سرگرم کننده و هیجان انگیز است، اما در عین حال، ما عمیق به یادگیری ماشین می پردازیم. ساختار آن به روش زیر است:
قسمت ۱- رگرسیون: رگرسیون خطی ساده، رگرسیون خطی چندگانه، رگرسیون چند جمله ای، SVR، رگرسیون درخت تصمیم، رگرسیون تصادفی جنگل
قسمت ۲- طبقه بندی: رگرسیون لجستیک، K-NN ، SVM، هسته SVM، طبقه بندی درخت تصمیم، طبقه بندی تصادفی جنگل
قسمت ۴ و ۳ :
- خوشه بندی: K-Means ، خوشه بندی سلسله مراتبی،
- کاهش ابعاد: PCA ، LDA ، هسته PCA
قسمت ۵ – یادگیری عمیق: شبکه های عصبی مصنوعی، شبکه های عصبی کانولوشن
علاوه بر این، این دوره شامل تمرینات عملی است که بر اساس نمونه های واقعی ساخته شده است. بنابراین نه تنها تئوری را یاد خواهید گرفت، بلکه می توانید در ساخت مدل های خود تمرین عملی نیز انجام دهید.
ویژگی های محصول
- مدرس: مهندس زهرا طبابایی
- تخصص: کارشناس ارشد برق و الکترونیک
- موضوع: یادگیری ماشین
- مخاطب: علاقمندان به یادگیری ماشین
- نرم افزار: کنسول برنامه نویسی در پایتون
- نوع آموزش: ویدیویی
- پاورپوینت: ندارد
معرفی مدرس
- زهرا طباطبایی
- کارشناس ارشد مهندسی برق
- مدرس پردازش تصویر و یادگیری ماشین
در این دوره به آموزش گام پنجم (شبکه های عصبی مصنوعی) در محیط پایتون می پردازیم. آموزش ارائه شده به صورت تئوری و کدنویسی است.
عناوین آموزشی
جلسه اول:
- یادگیری عمیق چیست؟
- یادگیری ماشین چیست؟
- شبکه ی عصبی چیست؟
- بررسی تفاوت میان شبکه عصبی، یادگیری ماشین و یادگیری عمیق
- ANN چیست؟
- عملکرد ANN؟
- چگونه ANN آموزش می بیند؟
- انواع توابع فعال ساز
- تعریف Gradient Descent
- معرفی Stochastic Gradient Descent
- مقایسه تفاوت های Stochastic Gradient Descent و Gradient Descent
- عملکرد Backpropagation
- آموزش ساخت یک شبکه ANN
جلسه دوم:
- ساخت یک شبکه ANN در محیط پایتون به کمک ماژول های مربوطه :
- Tensorflow
- Keras
- Panda
- Numpy
- و….
جلسه سوم:
- CNN چیست؟
- آشنایی با تصویر
- چگونه یک تصویر را پردازش کنیم؟
- معرفی انواع تصاویر:
- خاکستری
- رنگی
- چندبانده
- ابرطیفی (ماهواره ای)
- بررسی مختصری از ویژگی های هر نوع از تصاویر و مقایسه آنها
- عمکرد CNN
- چگونه CNN آموزش میبیند؟
- عملکرد Conv در شبکه CNN
- معرفی و بررسی لایه ی میانی (Relu)
- Pooling چیست؟
جلسه چهارم:
- Flatting چیست؟
- Full connection در CNN چه نقشی دارد؟
- چگونه میتوان شبکه ی CNN ساخت؟
- کاربرهای CNN
- Softmax & Cross-Entropy (به صورت مطالعه ی آزاد)
جلسه چهارم (تکمیلی):
- تفسیر عملگر Conv
- مرور کلی ساختار CNN
- بررسی مثال طبقه بندی به کمک CNN
- بررسی کاربرد CNN در پردازش تصویر به صورت مثال محور
جلسه پنجم:
- آموزش ساخت یک شبکه ی CNN در محیط پایتون:
- آموزش CNN توسط مجموعه ای از تصاویر
- تست شبکه ی ساخته شده توسط نمونه های تصویری
- بررسی میزان دقت عملکردی
جلسه ششم:
- ساخت یک شبکه ی CNN عمیق:
- افزایش لایه های میانی
- بررسی اثر CNN در طبقه بندی تصاویر
- بررسی دقت عملکردی CNN با افزایش تعداد لایه های میانی
توضیحات محصول
اگر سیر تکاملی این دوره را دنبال کرده اید، شما مباحث زیر را به طور کامل فراگرفته اید:
- یادگیری ماشین در پایتون
- بسیاری از مدلهای یادگیری ماشین
- چگونه پیش بینی دقیق داشته باشید
- چگونه تجزیه و تحلیل قدرتمند انجام دهید
- چگونه از یادگیری ماشینی برای اهداف شخصی خود استفاده کنید
- چگونه از تکنیک های پیشرفته ای مانند کاهش ابعاد استفاده کنید
- بدانید کدام مدل یادگیری ماشین را برای هر نوع مسئله انتخاب کنید
- ارتشی از مدل های قدرتمند یادگیری ماشین بسازید و بدانید که چگونه آنها را برای حل هر مشکلی ترکیب کنید
نکته متمایز کننده این دوره این است که: در این آموزش تمامی مثال های کاربردی در جلسه های تئوری و کدنویسی در زمینه پردازش تصویر است تا به علاقمندان کاربردهای مهم و موثر یادگیری عمیق را در پردازش تصویر آموزش دهد. به همین منظور ماژول های مختلفی در این حوزه به کار گرفته شده است و بخشی از آموزش به توضیحی مختصر و مفید در زمینه ی پردازش تصاویر و مفهوم تصویر می پردازد.
مطابق با تمامی دوره های پیشین، در هر جلسه مباحث به صورت تئوری آموزش داده می شوند و سپس با علم کامل از مباحث تئوری به سراغ کدنویسی در محیط پایتون خواهیم رفت. در بخش آموزش کد نویسی از کمک کتابخانه های پرکاربرد پایتون از جمله Numpy، Sklearn، Pandas و …. بهره گرفته ایم.
از میان مجموعه وسیع کتابخانه ها در پایتون، سه کتابخانه ای که از محبوبیت بیشتری برخوردار هستند عبارتند از:
- Skitlearn (در آموزش های قبل فراگرفتیم)
- Tensorflow
- Keras
با توجه به آنچه در بالا ذکر شده است، نکته جالب توجه در این آموزش، یادگیری یکی دیگر از محبوب ترین کتابخانه های پایتون (Scipy) در علم یادگیری ماشین است.
سوال دارید؟
در این صفحه سعی شده تا تمامی مطالب مورد نیاز کاربران پیش از فرایند خرید عرضه شود. با این حال در صورتی که از مدرس سوال دارید می توانید از بخش نظرات در بخش بالای صفحه استفاده کنید. بخش نظرات برای پرسش و پاسخ با مدرس طراحی شده است. هم چنین در صورتی که نسبت به محتوای محصول انتقاد و یا پیشنهاداتی دارید از طریق بخش نظرات آن را مطرح کرده و سپس نسبت به این محصول امتیاز دهید. هرچه امتیاز دهی شما دقیق تر باشد، سایر کاربران به شکل بهتری در استفاده از این محصول و کیفیت مدرس آگاهی پیدا خواهند کرد.
افشین بادکوبه
در تاریخ
سلام. من قصد دارم روی تصویر ماهواره ای طبقه بندی انجام بدم با الگوریتم RF. مباحث مربوطه به کدزنی و طبقه بندی پایتون رو از ابتدا میگید؟ یا باید پیش نیاز داشته باشم؟ قصد ندارم خیلی عمیق وارد برنامه نویسیش بشم. درحدی که طبقه بندی رو بخوبی بتونم انجام بدم کافیمه. این دوره مناسب من هست؟
زهرا طباطبایی
در تاریخ
با سلام و احترام
در این دوره ها آموزش از پایه صورت میگیرد و به شما کمک میکند تا با یک ذهنیت درست و خط فکری مدون به سمت هدف خود پیش بروید. اما برای دریافت بهتر مطالب طبقه بندی توصیه ی من آشنایی مقدماتی با پایتون است و سپس مطالعه در زمینه ی طبقه بندی.