آموزش مسترکلاس هوش مصنوعی مدرن: ساخت 6 پروژه

Modern Artificial Intelligence Masterclass: Build 6 Projects

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: با استفاده از سرویس Tensorflow 2.0، از قدرت هوش مصنوعی برای حل مشکلات عملی و واقعی در امور مالی، فناوری، هنر و بهداشت استفاده کنید و از مدل مبتنی بر هوش مصنوعی Emotion استفاده کنید و از مدل برای استنتاج استفاده کنید. مفهوم هوش مصنوعی توضیح‌پذیر را درک کنید و ماهیت جعبه سیاه شبکه‌های عصبی مصنوعی را کشف کنید و لایه‌های پنهان آن‌ها را با استفاده از تکنیک GradCam تجسم کنید. ساخت و آموزش مدل هوش مصنوعی برای شناسایی و بومی سازی تومورهای مغزی با استفاده از شبکه های ResNets و ResUnet (برنامه های مراقبت بهداشتی). تئوری و شهود پشت مدل‌های Segmentation و وضعیت شبکه‌های ResUnet را درک کنید. با استفاده از الگوریتم AWS SageMaker XGBoost، مدل‌های هوش مصنوعی را در تجارت بسازید، آموزش دهید، برای پیش‌بینی پیش‌فرض مشتری در کارت اعتباری. بهینه سازی پارامترهای مدل XGBoost با استفاده از جستجوی بهینه سازی هایپرپارامترها. از هوش مصنوعی در برنامه های تجاری با انجام بخش بندی بازار مشتری برای بهینه سازی استراتژی بازاریابی استفاده کنید. تئوری و ریاضیات زیربنایی الگوریتم DeepDream برای نسل هنر را درک کنید. توسعه، آموزش و آزمایش الگوریتم پیشرفته DeepDream برای ایجاد شاهکارهای هنری مبتنی بر هوش مصنوعی با استفاده از Keras API در TF 2.0. مدل‌های ANN را توسعه دهید و آنها را در Google Colab آموزش دهید و در عین حال از قدرت GPU و TPU استفاده کنید. پیش نیازها: دانش اولیه برنامه نویسی توصیه می شود اما لازم نیست.

# به‌روزرسانی دوره در ژوئن 2021: مطالعه‌ای درباره هوش مصنوعی قابل توضیح با کدگذاری صفر اضافه شد

انقلاب هوش مصنوعی (AI) اینجاست!

" پیش‌بینی می‌شود که بازار هوش مصنوعی در سرتاسر جهان با رشد ترکیبی 43.9 درصدی، 284.6 میلیارد دلار رشد کند. یادگیری عمیق، یکی از بخش های مورد تجزیه و تحلیل و اندازه گیری در این مطالعه، پتانسیل رشد را در بیش از 42.5٪ نشان می دهد. ” ( منبع: globenewswire ).

هوش مصنوعی علمی است که رایانه‌ها را قادر می‌سازد تا از هوش انسانی مانند تصمیم‌گیری، استدلال، پردازش متن و ادراک بصری تقلید کنند. هوش مصنوعی یک زمینه عمومی گسترده‌تر است که شامل چندین حوزه فرعی مانند یادگیری ماشینی، روباتیک و بینایی کامپیوتر است.

برای رقابتی شدن شرکت ها و افزایش سرسام آور رشد، باید از قدرت هوش مصنوعی برای بهبود فرآیندها، کاهش هزینه و افزایش درآمد استفاده کنند. هوش مصنوعی امروزه به طور گسترده در بسیاری از بخش ها اجرا می شود و هر صنعت را از بانکداری به مراقبت های بهداشتی، حمل و نقل و فناوری تبدیل کرده است.

تقاضا برای استعدادهای هوش مصنوعی در سال‌های اخیر به طور تصاعدی افزایش یافته است و دیگر محدود به سیلیکون ولی نیست! بر اساس گزارش فوربس، مهارت‌های هوش مصنوعی یکی از پرتقاضاترین‌ها برای سال 2020 هستند.

هدف از این دوره ارائه دانشی در مورد جنبه های کلیدی کاربردهای مدرن هوش مصنوعی به روشی کاربردی، آسان و سرگرم کننده است. این دوره با استفاده از مجموعه داده های دنیای واقعی، تجربه عملی عملی را برای دانش آموزان فراهم می کند. این دوره بسیاری از موضوعات و برنامه های جدید مانند هوش مصنوعی احساسی، هوش مصنوعی قابل توضیح، هوش مصنوعی خلاق، و کاربردهای هوش مصنوعی در بهداشت، تجارت و امور مالی را پوشش می دهد.

یکی از ویژگی‌های منحصر به فرد کلیدی این دوره این است که ما مدل‌هایی را با استفاده از Tensorflow 2.0 و AWS SageMaker آموزش و اجرا خواهیم کرد. علاوه بر این، ما عناصر مختلفی از گردش کار AI/ML را پوشش خواهیم داد که ساخت مدل، آموزش، تنظیم فراپارامترها و استقرار را پوشش می‌دهد. علاوه بر این، این دوره با دقت طراحی شده است تا جنبه های کلیدی هوش مصنوعی مانند یادگیری ماشینی، یادگیری عمیق، و بینایی کامپیوتر را پوشش دهد.

در اینجا خلاصه‌ای از پروژه‌هایی است که پوشش خواهیم داد:

· پروژه شماره 1 (هوش مصنوعی): طبقه بندی احساسات و تشخیص نقاط کلیدی صورت با استفاده از هوش مصنوعی

· پروژه شماره 2 (AI در مراقبت های بهداشتی): تشخیص تومور مغزی و محلی سازی با استفاده از هوش مصنوعی

· پروژه شماره 3 (هوش مصنوعی در تجارت/بازاریابی): تقسیم بندی مشتریان مرکز خرید با استفاده از رمزگذارهای خودکار و الگوریتم های یادگیری ماشین بدون نظارت

· پروژه شماره 4: (AI در تجارت/مالی): پیش‌بینی پیش‌فرض کارت اعتباری با استفاده از الگوریتم XG-Boost AWS SageMaker (AutoPilot)

· پروژه شماره 5 (هوش مصنوعی خلاق): تولید آثار هنری توسط هوش مصنوعی

· پروژه شماره 6 (هوش مصنوعی قابل توضیح): ماهیت جعبه سیاه هوش مصنوعی را کشف کنید


این دوره برای چه کسانی است:

این دوره برای متخصصان هوش مصنوعی، دانشمندان مشتاق داده، علاقه مندان به فناوری و مشاورانی که مایل به دستیابی به درک اساسی از علم داده و حل مشکلات دنیای واقعی هستند، هدف گذاری شده است. در اینجا لیستی از افرادی که این دوره آموزشی برای آنها برگزار می شود آمده است:

· مشاوران باتجربه که می خواهند با استفاده از هوش مصنوعی، صنایع را متحول کنند.

· تمرین‌کنندگان هوش مصنوعی که می‌خواهند شغل خود را پیش ببرند و نمونه کار خود را بسازند.

· صاحبان مشاغل رویایی که می خواهند از قدرت هوش مصنوعی برای به حداکثر رساندن درآمد، کاهش هزینه ها و بهینه سازی کسب و کار خود استفاده کنند.

· علاقه مندان به فناوری که مشتاق هوش مصنوعی هستند و می خواهند تجربه عملی در دنیای واقعی به دست آورند.


پیش نیازهای دوره:

دانش اولیه برنامه نویسی توصیه می شود. با این حال، این موضوعات به طور گسترده در طول سخنرانی های دوره اولیه پوشش داده خواهد شد. بنابراین، این دوره هیچ پیش نیازی ندارد و برای افرادی که دانش اولیه برنامه نویسی دارند آزاد است. دانش‌آموزانی که در این دوره ثبت‌نام می‌کنند، بر مبانی علم داده تسلط پیدا می‌کنند و مستقیماً این مهارت‌ها را برای حل مسائل چالش برانگیز دنیای واقعی به کار می‌گیرند.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی و پیام خوش آمد گویی Introduction and Welcome Message

  • مقدمه، نکات کلیدی و بهترین شیوه ها Introduction, Key Tips and Best Practices

  • طرح کلی دوره و نتایج کلیدی یادگیری Course Outline and Key Learning Outcomes

  • مواد را دریافت کنید Get the Materials

هوش مصنوعی احساسی Emotion AI

  • معرفی پروژه و پیام خوش آمد گویی Project Introduction and Welcome Message

  • وظیفه شماره 1 - بیان مشکل و مورد تجاری را درک کنید Task #1 - Understand the Problem Statement & Business Case

  • وظیفه شماره 2 - وارد کردن کتابخانه ها و مجموعه داده ها Task #2 - Import Libraries and Datasets

  • وظیفه شماره 3 - تجسم تصویر را انجام دهید Task #3 - Perform Image Visualizations

  • وظیفه شماره 4 - افزایش تصاویر را انجام دهید Task #4 - Perform Images Augmentation

  • وظیفه شماره 5 - عادی سازی و مقیاس گذاری داده ها را انجام دهید Task #5 - Perform Data Normalization and Scaling

  • وظیفه شماره 6 - تئوری و شهود شبکه های عصبی مصنوعی (ANN) را درک کنید Task #6 - Understand Artificial Neural Networks (ANNs) Theory & Intuition

  • وظیفه شماره 7 - آموزش ANN و الگوریتم نزول گرادیان را درک کنید Task #7 - Understand ANNs Training & Gradient Descent Algorithm

  • وظیفه شماره 8 - شبکه های عصبی کانولوشن و شبکه های مجدد را درک کنید Task #8 - Understand Convolutional Neural Networks and ResNets

  • وظیفه شماره 9 - ساخت ResNet برای تشخیص نقاط کلیدی صورت Task #9 - Build ResNet to Detect Key Facial Points

  • وظیفه شماره 10 - کامپایل و آموزش مدل آشکارساز نقاط کلیدی صورت Task #10 - Compile and Train Facial Key Points Detector Model

  • وظیفه شماره 11 - عملکرد مدل ResNet آموزش دیده را ارزیابی کنید Task #11 - Assess Trained ResNet Model Performance

  • وظیفه شماره 12 - وارد کردن و کاوش در حالات چهره (احساسات) مجموعه داده ها Task #12 - Import and Explore Facial Expressions (Emotions) Datasets

  • کار شماره 13 - تصاویر را برای تشخیص حالت چهره تجسم کنید Task #13 - Visualize Images for Facial Expression Detection

  • وظیفه شماره 14 - افزایش تصویر را انجام دهید Task #14 - Perform Image Augmentation

  • کار شماره 15 - ساخت و آموزش یک مدل طبقه‌بندی کننده حالت چهره Task #15 - Build & Train a Facial Expression Classifier Model

  • کار شماره 16 - درک شاخص های عملکرد کلیدی طبقه بندی کننده ها (KPI) Task #16 - Understand Classifiers Key Performance Indicators (KPIs)

  • کار شماره 17 - مدل طبقه‌بندی کننده حالت چهره را ارزیابی کنید Task #17 - Assess Facial Expression Classifier Model

  • کار شماره 18 - از هر دو مدل پیش بینی کنید: 1. نقاط کلیدی صورت و 2. احساسات Task #18 - Make Predictions from Both Models: 1. Key Facial Points & 2. Emotion

  • وظیفه شماره 19 - ذخیره مدل آموزش دیده برای استقرار Task #19 - Save Trained Model for Deployment

  • وظیفه شماره 20 - ارائه مدل آموزش دیده در سرویس TensorFlow 2.0 Task #20 - Serve Trained Model in TensorFlow 2.0 Serving

  • وظیفه شماره 21 - هر دو مدل را به کار گرفته و استنتاج کنید Task #21 - Deploy Both Models and Make Inference

هوش مصنوعی در بهداشت و درمان AI in Healthcare

  • معرفی پروژه و پیام خوش آمد گویی Project Introduction and Welcome Message

  • وظیفه شماره 1 - بیان مسئله و مورد تجاری را درک کنید Task #1 - Understand the Problem Statement and Business Case

  • وظیفه شماره 2 - وارد کردن کتابخانه ها و مجموعه داده ها Task #2 - Import Libraries and Datasets

  • وظیفه شماره 3 - مجموعه داده ها را تجسم و کاوش کنید Task #3 - Visualize and Explore Datasets

  • وظیفه شماره 4 - شهود پشت ResNet و CNN را درک کنید Task #4 - Understand the Intuition behind ResNet and CNNs

  • وظیفه شماره 5 - درک نظریه و شهود در پشت یادگیری انتقال Task #5 - Understand Theory and Intuition Behind Transfer Learning

  • وظیفه شماره 6 - آموزش یک مدل طبقه بندی کننده برای تشخیص تومورهای مغزی Task #6 - Train a Classifier Model To Detect Brain Tumors

  • کار شماره 7 - عملکرد مدل طبقه‌بندی‌کننده آموزش دیده را ارزیابی کنید Task #7 - Assess Trained Classifier Model Performance

  • وظیفه شماره 8 - شهود مدل های تقسیم بندی ResUnet را درک کنید Task #8 - Understand ResUnet Segmentation Models Intuition

  • وظیفه شماره 9 - ساخت یک مدل تقسیم بندی برای بومی سازی تومورهای مغزی Task #9 - Build a Segmentation Model to Localize Brain Tumors

  • وظیفه شماره 10 - مدل تقسیم بندی ResUnet را آموزش دهید Task #10 - Train ResUnet Segmentation Model

  • وظیفه شماره 11 - عملکرد مدل تقسیم بندی ResUNet آموزش دیده را ارزیابی کنید Task #11 - Assess Trained ResUNet Segmentation Model Performance

هوش مصنوعی در تجارت (بازاریابی) AI in Business (Marketing)

  • معرفی پروژه و پیام خوش آمد گویی Project Introduction and Welcome Message

  • وظیفه شماره 1 - کاربردهای هوش مصنوعی در بازاریابی را درک کنید Task #1 - Understand AI Applications in Marketing

  • وظیفه شماره 2 - وارد کردن کتابخانه ها و مجموعه داده ها Task #2 - Import Libraries and Datasets

  • کار شماره 3 - انجام تجزیه و تحلیل داده های اکتشافی (بخش شماره 1) Task #3 - Perform Exploratory Data Analysis (Part #1)

  • کار شماره 4 - انجام تجزیه و تحلیل داده های اکتشافی (بخش شماره 2) Task #4 - Perform Exploratory Data Analysis (Part #2)

  • وظیفه شماره 5 - درک نظریه و شهود پشت الگوریتم خوشه بندی K-Means Task #5 - Understand Theory and Intuition Behind K-Means Clustering Algorithm

  • وظیفه شماره 6 - از روش زانویی برای یافتن تعداد بهینه خوشه ها استفاده کنید Task #6 - Apply Elbow Method to Find the Optimal Number of Clusters

  • کار شماره 7 - الگوریتم خوشه بندی K-Means را اعمال کنید Task #7 - Apply K-Means Clustering Algorithm

  • وظیفه شماره 8 - درک شهود پشت تجزیه و تحلیل مؤلفه اصلی (PCA) Task #8 - Understand Intuition Behind Principal Component Analysis (PCA)

  • وظیفه شماره 9 - تئوری و شهود پشت رمزگذارهای خودکار را درک کنید Task #9 - Understand the Theory and Intuition Behind Auto-encoders

  • وظیفه شماره 10 - از رمزگذارهای خودکار استفاده کنید و خوشه بندی را انجام دهید Task #10 - Apply Auto-encoders and Perform Clustering

هوش مصنوعی در تجارت (مالی) و AutoML AI In Business (Finance) & AutoML

  • معرفی پروژه و پیام خوش آمد گویی Project Introduction and Welcome Message

  • نکاتی در مورد خدمات وب آمازون (AWS) Notes on Amazon Web Services (AWS)

  • وظیفه شماره 1 - بیان مشکل و مورد تجاری را درک کنید Task #1 - Understand the Problem Statement & Business Case

  • وظیفه شماره 2 - وارد کردن کتابخانه ها و مجموعه داده ها Task #2 - Import Libraries and Datasets

  • وظیفه شماره 2 - وارد کردن کتابخانه ها و مجموعه داده ها Task #2 - Import Libraries and Datasets

  • وظیفه شماره 3 - مجموعه داده را تجسم و کاوش کنید Task #3 - Visualize and Explore Dataset

  • وظیفه شماره 4 - داده ها را پاک کنید Task #4 - Clean Up the Data

  • وظیفه شماره 5 - تئوری و شهود پشت الگوریتم XG-Boost را درک کنید Task #5 - Understand the Theory & Intuition Behind XG-Boost Algorithm

  • وظیفه شماره 6 - مراحل کلیدی الگوریتم XG-Boost را درک کنید Task #6 - Understand XG-Boost Algorithm Key Steps

  • کار شماره 7 - الگوریتم XG-Boost را با استفاده از Scikit-Learn آموزش دهید Task #7 - Train XG-Boost Algorithm Using Scikit-Learn

  • وظیفه شماره 8 - جستجوی شبکه و بهینه سازی فراپارامترها را انجام دهید Task #8 - Perform Grid Search and Hyper-parameters Optimization

  • وظیفه شماره 9 - XG-Boost را در AWS SageMaker درک کنید Task #9 - Understand XG-Boost in AWS SageMaker

  • وظیفه شماره 10 - آموزش XG-Boost در AWS SageMaker Task #10 - Train XG-Boost in AWS SageMaker

  • کار شماره 11 - استقرار مدل و استنتاج Task #11 - Deploy Model and Make Inference

  • وظیفه شماره 12 - آموزش و استقرار مدل با استفاده از خلبان خودکار AWS (کدینه کدگذاری مورد نیاز است!) Task #12 - Train and Deploy Model Using AWS AutoPilot (Minimal Coding Required!)

هوش مصنوعی خلاق Creative AI

  • معرفی پروژه و پیام خوش آمد گویی Project Introduction and Welcome Message

  • معرفی پروژه و پیام خوش آمد گویی Project Introduction and Welcome Message

  • وظیفه شماره 1 - بیان مشکل و مورد تجاری را درک کنید Task #1 - Understand the Problem Statement & Business Case

  • وظیفه شماره 1 - بیان مشکل و مورد تجاری را درک کنید Task #1 - Understand the Problem Statement & Business Case

  • وظیفه شماره 2 - وارد کردن مدل با وزنه های از قبل آموزش دیده Task #2 - Import Model with Pre-trained Weights

  • وظیفه شماره 3 - وارد کردن و ادغام تصاویر Task #3 - Import and Merge Images

  • وظیفه شماره 4 - مدل از پیش آموزش دیده را اجرا کنید و فعال سازی ها را کاوش کنید Task #4 - Run the Pre-trained Model and Explore Activations

  • وظیفه شماره 5 - تئوری و شهود پشت الگوریتم رویای عمیق را درک کنید Task #5 - Understand the Theory & Intuition Behind Deep Dream Algorithm

  • وظیفه شماره 6 - درک عملیات گرادیان در TF 2.0 Task #6 - Understand The Gradient Operations in TF 2.0

  • وظیفه شماره 7 - اجرای الگوریتم رویای عمیق قسمت شماره 1 Task #7 - Implement Deep Dream Algorithm Part #1

  • وظیفه شماره 8 - اجرای الگوریتم رویای عمیق قسمت شماره 2 Task #8 - Implement Deep Dream Algorithm Part #2

  • وظیفه شماره 9 - از الگوریتم DeepDream برای تولید تصاویر استفاده کنید Task #9 - Apply DeepDream Algorithm to Generate Images

  • وظیفه شماره 10 - ویدیوی DeepDream را ایجاد کنید Task #10 - Generate DeepDream Video

هوش مصنوعی قابل توضیح با کدگذاری صفر Explainable AI with Zero Coding

  • دانلود مجموعه داده های هوش مصنوعی قابل توضیح و پیوند به DataRobot Explainable AI Dataset Download & Link to DataRobot

  • بررسی اجمالی پروژه در مورد تشخیص غذا با هوش مصنوعی Project Overview on Food Recognition with AI

  • DataRobot Demo 1 - مجموعه داده را آپلود و کاوش کنید DataRobot Demo 1 - Upload and Explore Dataset

  • DataRobot Demo 2 - Train AI/ML Model DataRobot Demo 2 - Train AI/ML Model

  • DataRobot Demo 3 - AI قابل توضیح DataRobot Demo 3 - Explainable AI

Crash Course در AWS، S3 و SageMaker Crash Course on AWS, S3, and SageMaker

  • AWS و Cloud Computing چیست؟ What is AWS and Cloud Computing?

  • اجزای اصلی یادگیری ماشین و تور AWS Key Machine Learning Components and AWS Tour

  • مناطق و مناطق در دسترس Regions and Availability Zones

  • آمازون S3 Amazon S3

  • EC2 و مدیریت هویت و دسترسی (IAM) EC2 and Identity and Access Management (IAM)

  • تنظیم و بررسی اجمالی حساب ردیف رایگان AWS AWS Free Tier Account Setup and Overview

  • بررسی اجمالی AWS SageMaker AWS SageMaker Overview

  • AWS SageMaker Walkthrough AWS SageMaker Walk-through

  • نمای کلی AWS SageMaker Studio AWS SageMaker Studio Overview

  • AWS SageMaker Studio Walk-through AWS SageMaker Studio Walk-through

  • استقرار مدل AWS SageMaker AWS SageMaker Model Deployment

نمایش نظرات

آموزش مسترکلاس هوش مصنوعی مدرن: ساخت 6 پروژه
جزییات دوره
16 hours
90
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
30,367
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر