یادگیری عمیق یکی از بیشترین مهارت های مورد نیاز در بخش فناوری است. یکی از دلایل انتخاب Caffe2 برای این دوره سرعت پردازش آن در مقایسه با سایر پلتفرم ها است. از آنجا که اساس معماری در Caffe2 درواقع CUDA است، انعطاف پذیری در بهینه سازی کد به عنوان سخت افزار مورد استفاده را  فراهم می کند. در این دوره با  مبانی یادگیری عمیق،  درک نحوه ساخت شبکه های عصبی و درک شبکه های پیچشی، RNNs، Adam، Dropout، BatchNorm و موارد دیگر، نحوه آموزش و مدیریت یک شبکه عصبی عمیق، کار با Caffe2 با استفاده از زبان های برنامه نویسی Python آشنا می شوید.

سرفصل:

  • معرفی دوره
  • راه اندازی Caffe2 در لینوکس
  • درک معماری Caffe2
  • انتقال از یادگیری ماشین به یادگیری عمیق
  • اجرای یک طبقه بندی تصویر با استفاده از Caffe2
  • پیاده سازی شبکه عصبی و یادگیری عمیق
  • در مورد ماتریس ها با استفاده از پایتون – NumPy
  • درک و اجرای رگرسیون منطقی و شبکه های عصبی
  • درک و پیاده سازی شبکه های عمیق عصبی
  • درک Caffe2
  • معرفی Caffe2
  • بسته بندی پایتون Caffe2
  • اپراتورهای ریاضی در Caffe2
  • سازندگان شبکه و Assisters در Caffe2 – قسمت 1
  • سازندگان شبکه و Assisters در Caffe2 – قسمت 2
  • سازندگان شبکه و Assisters در Caffe2 – قسمت 3
  • درک یک شبکه عصبی پیچشی
  • چگونه ماشین ها یاد بگیرند که ببینند!
  • معرفی شبکه های عصبی پیچشی
  • با استفاده از Caffe2، لایه ی Convolution اجرا کنید
  • نقش توابع فعال سازی در حل بهینه سازی غیر خطی
  • استراتژی یادگیری ماشینی
  • نحوه انتخاب داده ها، تهیه و پردازش
  • اصلاح شبکه های عصبی
  • بهینه سازی شبکه های عصبی
  • الگوریتم های بهینه سازی
  • مقدمه ای بر شبکه عصبی Recurrent
  • یادگیری دنباله ای
  • مقدمه ای بر شبکه های عصبی مصنوعی افزوده شده
  • و غیره