یادگیری عمیق در صنایع مختلف انقلابی بزرگ برپا کرده است. در این دوره با رویکرد top-down و bottom-up برای نمایش راه حل های یادگیری عمیق جهت مشکلات دنیای واقعی در مناطق مختلف، بینایی رایانه ای، Generative Adversarial Networks، سری های زمانی، ارائه راه حل های فنی برای مسائل ارائه شده همراه با توضیح دقیق راه حل ها، مزایا و معایب مربوط به اجرای راه حل پیشنهادی با استفاده از فریمورک های محبوب مانند TensorFlow، PyTorch و Keras، مفاهیم اولیه شبکه های عصبی، تمام تکنیک ها، و همچنین توپولوژی های شبکه کلاسیک و غیره آشنا می شوید.

سرفصل:

  • معرفی دوره
  • فریمورک های یادگیری عمیق
  • درک فریمورک های محبوب مانند TensorFlow، PyTorch و Keras
  • یادگیری عمیق با استفاده از فریمورک CNTK و Gluon
  • شبکه های عصبی Feed-Forward
  • پیاده سازی شبکه عصبی تک و چند لایه
  • آزمایش با توابع فعال سازی، لایه های پنهان و واحد های پنهان
  • Autoencoder، تابع Loss و بهینه سازان
  • متدهای Overfitting Prevention
  • شبکه های عصبی پیچشی و Recurrent
  • تکنیک های بهینه سازی برای CNNs
  • آزمایش با انواع مختلف اولیه سازی
  • پیاده سازی ساده RNN و LSTM
  • پیاده سازی GRU ها و RNN های دو طرفه
  • GANs و بینایی رایانه ای
  • پیاده سازی Generative Adversarial Networks
  • تکنیک های بینایی رایانه ای
  • یادگیری عصبی شبکه و پردازش داده
  • انتخاب و تنظیم هایپرپارامتر
  • تشخیص گفتار
  • سری زمانی و داده های ساخت یافته
  • مصورسازی و تحلیل شبکه
  • استفاده از مدل InceptionV3 و ResNet50
  • و غیره