آموزش یادگیری انتقالی (Transfer Learning) در یادگیری عمیق مدرن: ۳ پروژه هوش مصنوعی با PyTorch - آخرین آپدیت
دانلود Transfer Learning in modern DL: 3 AI Projects with PyTorch
تقریباً تمام کاربردهای پیشرفته هوش مصنوعی به جای آموزش از صفر، از مدلهای پیشآموزشدیده استفاده میکنند و یادگیری انتقالی یکی از کاربردیترین تکنیکها در یادگیری عمیق معاصر است.
در این دوره، شما یادگیری انتقالی را از پایه، از طریق توضیحات تئوری شفاف و سه پروژه کامل دنیای واقعی خواهید آموخت.
شما ابتدا با یادگیری موارد زیر، یک درک مفهومی قوی ایجاد خواهید کرد:
یادگیری انتقالی (Transfer Learning) چیست؟
پایگاه دانش و انتقال دانش
دامنههای مبدأ و مقصد (Source and Target Domains)
وظایف مبدأ و مقصد (Source and Target Tasks)
جریان کاری یادگیری انتقالی (Workflow)
استخراج ویژگی در مقابل تنظیم دقیق (Feature Extraction vs Fine-Tuning)
اصطلاحات تخصصی یادگیری انتقالی
انواع یادگیری انتقالی
معماری و کاربردهای مدلهای پیشآموزشدیده محبوب:
ResNet
EfficientNet
MobileNet
Densenet
VGGNet
BERT
ELMo
Word2Vec
Glove
Whisper
ASR
text2speech
مزایا و معایب یادگیری انتقالی
پس از تسلط بر تئوری، این ایدهها را در سه پروژه واقعی به کار خواهید گرفت:
پیشبینی تصویر گل: با استفاده از MobileNet، ResNet50 و EfficientNetB0 همراه با مقایسه مدلها و Fine-tuning.
مسیریابی تیکتهای SaaS: با استفاده از DistilBERT و بردارسازی TF-IDF به همراه رگرسیون لجستیک برای دستهبندی شکایات مشتریان و مقایسه عملکرد با رویکرد ML سنتی و مدل یادگیری انتقالی.
تولید کپشن ویدیو: با استفاده از Faster Whisper برای تبدیل خودکار گفتار به متن.
شما یاد میگیرید چگونه مدلهای یادگیری انتقالی را ایجاد، آموزش، ارزیابی، مقایسه و پیادهسازی کنید و در طول دوره تجربه عملی با PyTorch کسب خواهید کرد.
در پایان این دوره، شما هم دانش تئوری و هم تجربه عملی لازم برای پیادهسازی با اعتمادبهنفس یادگیری انتقالی در پروژههای هوش مصنوعی خود را خواهید داشت.
مقدمه Introduction
-
مقدمهای بر یادگیری انتقالی: بررسی جامع و دقیق Introduction to Transfer Learning: Detailed Overview
-
آزمون مفاهیم پایه یادگیری انتقالی Transfer learning basics quiz
پروژه طبقهبندی تصاویر Image classification Project
-
پروژه ۱: پیشبینی تصویر گل با استفاده از یادگیری انتقالی و مقایسه ۳ مدل Project 1: Flower image prediction using Transfer Learning - comparing 3 models
تنظیم دقیق و ارزیابی Fine tuning and evaluation
-
پروژه ۱: تنظیم دقیق (Fine-Tuning) و ارزیابی عملکرد پیشبینی گل Project 1: Fine Tuning and performance evaluation of flower prediction
پروژه پردازش زبان طبیعی natural language processing project
-
پروژه ۲: مسیریابی تیکتهای SaaS با استفاده از DistilBERT و Tf-idf Vectorizer Project 2: SaaS Ticket routing using Tf-idf Vectorizer and DistilBERT
پروژه تشخیص گفتار Speech Recognition Project
-
پروژه ۳: تولیدکننده کپشن ویدیو در لحظه با استفاده از Faster Whisper Project 3: real time video caption generator using faster Whisper
https://donyad.com/d/d15dcc
Swetha S
مدرس در Udemy
نمایش نظرات