آموزش مقدمه ای بر شبکه عصبی مصنوعی و یادگیری عمیق

Introduction to Artificial Neural Network and Deep Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: بهترین تکنیک های یادگیری ماشین برای علم داده در جاوا و نوروف با کاربرد در تشخیص تصویر ساختار شبکه های عصبی فرآیند یادگیری تجسم شبکه های عصبی در شبکه های عصبی یادگیری عمیق و شبکه های عصبی عمیق نحوه انجام طبقه بندی با استفاده از شبکه های عصبی نحوه انجام رگرسیون و پیش‌بینی با استفاده از شبکه‌های عصبی پیاده‌سازی شبکه‌های عصبی در جاوا با استفاده از نوروف برای طراحی، آزمایش و تحلیل شبکه‌های عصبی

یادگیری ماشین یک حوزه بسیار داغ در هوش مصنوعی و علم داده است. شکی وجود ندارد که شبکه های عصبی به خوبی مورد توجه و پرکاربردترین تکنیک های یادگیری ماشین هستند.

بسیاری از دانشمندان داده از شبکه های عصبی بدون درک ساختار داخلی آنها استفاده می کنند. با این حال، درک ساختار داخلی و مکانیسم چنین تکنیک‌های یادگیری ماشینی به آن‌ها اجازه می‌دهد تا مشکلات را به طور موثرتری حل کنند. این همچنین به آن‌ها اجازه می‌دهد تا شبکه‌های عصبی جدید را برای پروژه‌های مختلف تنظیم، تغییر دادن و حتی طراحی کنند.

این دوره ساده ترین راه برای درک جزئیات نحوه عملکرد شبکه های عصبی است. همچنین شما را جلوتر از بسیاری از دانشمندان داده قرار می دهد. شما به طور بالقوه شانس بیشتری برای پیوستن به جمع کوچکی از دانشمندان داده با درآمد خوب خواهید داشت.


چرا شبکه های عصبی را به عنوان یک دانشمند داده یاد بگیریم؟

یادگیری ماشینی هر ماه در همه صنایع با هدف اصلی بهبود درآمد و کاهش هزینه ها محبوب می شود. شبکه های عصبی تکنیک های یادگیری ماشینی بسیار کاربردی در پروژه های مختلف هستند. می توانید از آنها برای خودکارسازی و بهینه سازی فرآیند حل وظایف چالش برانگیز استفاده کنید.


یک دانشمند داده در مورد شبکه های عصبی چه چیزی باید بیاموزد؟

اولین چیزی که باید یاد بگیرید مدل های ریاضی پشت آنهاست. نمی توانید باور کنید که مدل ها و معادلات ریاضی چقدر آسان و شهودی هستند. این دوره با مثال‌های شهودی شروع می‌شود تا شما را با اساسی‌ترین مدل‌های ریاضی همه شبکه‌های عصبی آشنا کند. هیچ معادله ای در این درس بدون توضیح عمیق و مثال های تصویری وجود ندارد. اگر از ریاضی متنفرید، پس بنشینید، استراحت کنید و از ویدیوها لذت ببرید تا با حداقل تلاش، ریاضیات پشت شبکه های عصبی را بیاموزید.

همچنین مهم است که بدانید چه نوع مشکلاتی را می توان با شبکه های عصبی حل کرد. این دوره انواع مختلفی از مسائل را برای حل با استفاده از شبکه های عصبی شامل طبقه بندی، رگرسیون و پیش بینی نشان می دهد. چندین مثال برای تمرین نحوه حل چنین مشکلاتی نیز وجود خواهد داشت.


این دوره شامل چه مواردی می شود؟

همانطور که در بالا بحث شد، این دوره مستقیماً با یک مثال بصری شروع می‌شود تا ببینیم یک نرون منفرد به‌عنوان اساسی‌ترین مؤلفه شبکه‌های عصبی چیست. همچنین مدل ریاضی و مفهومی یک نورون را به شما نشان می دهد. پس از یادگیری آسان و ساده بودن مدل های ریاضی یک نورون، خواهید دید که چگونه در عمل به صورت زنده عمل می کند.

بخش دوم این دوره اصطلاحات در زمینه یادگیری ماشینی، مدل ریاضی نوع خاصی از نورون به نام Perceptron و الهام از آن را پوشش می دهد. ما جزء اصلی یک پرسپترون را نیز بررسی خواهیم کرد.

در قسمت سوم با شما در مورد فرآیند آموزش و یادگیری در شبکه های عصبی کار خواهیم کرد. این شامل یادگیری توابع مختلف خطا/هزینه، بهینه‌سازی تابع هزینه، الگوریتم نزول گرادیان، تأثیر نرخ یادگیری و چالش‌های موجود در این زمینه است.

در سه بخش اول این دوره، شما بر نحوه عملکرد یک نورون واحد (مثلاً پرسپترون) تسلط دارید. این شما را برای قسمت چهارم این دوره آماده می کند، جایی که ما نحوه ایجاد شبکه ای از این نورون ها را یاد خواهیم گرفت. خواهید دید که حتی اتصال دو نورون چقدر قدرتمند است. ما تاثیر نورون های متعدد و لایه های متعدد بر خروجی های یک شبکه عصبی را یاد خواهیم گرفت. مدل اصلی در اینجا یک پرسپترون چند لایه (MLP) است که بهترین شبکه عصبی در علم و صنعت است. این بخش از دوره همچنین شامل شبکه های عصبی عمیق (DNN) است.

در بخش پنجم این دوره، با الگوریتم Backpropagation (BP) برای آموزش پرسپترون چند لایه آشنا خواهیم شد. نظریه، مدل ریاضی و مثال عددی این الگوریتم به تفصیل مورد بحث قرار خواهد گرفت.

تمام مشکلات مورد استفاده در بخش‌های 1-5 طبقه‌بندی هستند، که یک کار بسیار مهم با طیف گسترده‌ای از برنامه‌های کاربردی در دنیای واقعی است. به عنوان مثال، می توانید مشتریان را بر اساس علاقه آنها به یک دسته محصول خاص طبقه بندی کنید. با این حال، مشکلاتی وجود دارد که نیاز به پیش بینی دارد. چنین مشکلاتی با حالت های رگرسیون حل می شوند. شبکه های عصبی می توانند نقش یک روش رگرسیون را نیز ایفا کنند. این دقیقاً همان چیزی است که در بخش 6 این دوره خواهیم آموخت. ما با یک مثال شهودی از انجام رگرسیون با استفاده از یک نورون منفرد شروع می کنیم. یک نسخه آزمایشی زنده نیز وجود دارد تا نشان دهد چگونه یک نورون نقش یک مدل رگرسیون را بازی می کند. موارد دیگری که در این بخش یاد خواهید گرفت عبارتند از: رگرسیون خطی، رگرسیون لجستیک (غیر خطی)، مثال ها و مسائل رگرسیون، رگرسیون های چندگانه و یک MLP با سه لایه برای حل هر نوع مشکل سرکوب.

بخش آخر این دوره به حل مسئله با استفاده از شبکه های عصبی می پردازد. ما از Neuroph، که یک برنامه مبتنی بر جاوا است، برای دیدن نمونه‌هایی از شبکه‌های عصبی در حوزه‌ها و تشخیص کاراکترهای دستی و پردازش تصویر استفاده خواهیم کرد. اگر قبلاً از نوروف استفاده نکرده اید، جای نگرانی نیست. چندین ویدیو وجود دارد که مراحل نحوه ایجاد و اجرای پروژه ها را در Neuroph به شما نشان می دهد.

در پایان این دوره، شما درک جامعی از شبکه های عصبی خواهید داشت و می توانید به راحتی از آنها در پروژه خود استفاده کنید. همچنین می توانید بر اساس پروژه خود، عملکرد شبکه های عصبی را تحلیل، تنظیم و بهبود بخشید.


آیا این دوره برای شما مناسب است؟

این دوره مقدمه ای بر شبکه های عصبی است، بنابراین شما مطلقاً به هیچ دانش قبلی در زمینه هوش مصنوعی، یادگیری ماشین و هوش مصنوعی نیاز ندارید. با این حال، شما باید یک درک اولیه از برنامه نویسی به خصوص در جاوا داشته باشید تا به راحتی فیلم کدنویسی را دنبال کنید. اگر فقط می‌خواهید مدل ریاضی و فرآیند حل مسئله را با استفاده از شبکه‌های عصبی یاد بگیرید، می‌توانید ویدیوهای کدگذاری را نادیده بگیرید.


مربی کیست؟

من یک محقق برجسته در زمینه یادگیری ماشین با تخصص در شبکه های عصبی و بهینه سازی هستم. من بیش از 150 مقاله از جمله 80 مقاله مجلات، 3 کتاب و 20 مقاله کنفرانس دارم. این نشریات بیش از 13000 بار در سراسر جهان مورد استناد قرار گرفته اند. به عنوان یک محقق برجسته در این زمینه با بیش از 10 سال تجربه، این دوره آموزشی را آماده کرده ام تا همه چیز را برای علاقه مندان به یادگیری ماشین و شبکه های عصبی آسان کنم. من در حرفه ام نیز به شرکت های بزرگی مانند فیس بوک و گوگل مشاوره می دهم. من همچنین یک مربی ستاره‌دار Udemy با بیش از 5000 دانش‌آموز و 1000 بررسی 5 ستاره هستم، این دوره را برای تسهیل فرآیند یادگیری شبکه‌های عصبی برای علاقه‌مندان به این حوزه طراحی و توسعه داده‌ام. شما در طول سفر شبکه های عصبی خود در این دوره از حمایت کامل من برخوردار خواهید بود.


هیچ خطری وجود ندارد!

من چند پیش‌نمایش ویدیو دارم، پس حتماً آنها را تماشا کنید تا ببینید آیا این دوره برای شما مناسب است یا خیر. این دوره با 30 روز ضمانت بازگشت وجه کامل ارائه می‌شود، به این معنی که اگر پس از خرید خود راضی نبودید، می‌توانید 100% بازپرداخت دریافت کنید.


منتظر چه چیزی هستید؟

اکنون با استفاده از دکمه "افزودن به سبد خرید" در سمت راست ثبت نام کنید و همین امروز شروع کنید.



سرفصل ها و درس ها

مقدمات و تعاریف اساسی در شبکه های عصبی مصنوعی Preliminaries and Essential Definitions in Artificial Neural Networks

  • مقدمه: پسر است یا دختر؟ Introduction: Is it a boy or girl?

  • بیایید بیشتر ریاضی باشیم Let's be more mathematical

  • مدلی از یک نورون مصنوعی A model of an artificial neuron

مقدمات و تعاریف اساسی در شبکه های عصبی مصنوعی Preliminaries and Essential Definitions in Artificial Neural Networks

  • مقدمه: پسر است یا دختر؟ Introduction: Is it a boy or girl?

  • بیایید بیشتر ریاضی باشیم Let's be more mathematical

  • مدلی از یک نورون مصنوعی A model of an artificial neuron

یک نورون مصنوعی (پرسپترون) An Artificial Neuron (Perceptron)

  • اصطلاحات در زمینه یادگیری ماشین و شبکه های عصبی Terminologies in the field of Machine Learning and Neural Networks

  • زمان یادگیری الهام از پرسپترون و شبکه های عصبی است Time to learn the inspiration of perceptron and Neural Networks

یک نورون مصنوعی (پرسپترون) An Artificial Neuron (Perceptron)

  • یک نورون مصنوعی در عمل: مثال زنده An artificial neuron in action: live example

  • یک نورون مصنوعی در عمل: مثال زنده An artificial neuron in action: live example

  • اصطلاحات در زمینه یادگیری ماشین و شبکه های عصبی Terminologies in the field of Machine Learning and Neural Networks

  • مدل ریاضی پرسپترون برای مسائل با بیش از دو ویژگی A mathematical model of perceptron for problems with more than two features

  • مدل ریاضی پرسپترون برای مسائل با بیش از دو ویژگی A mathematical model of perceptron for problems with more than two features

  • زمان یادگیری الهام از پرسپترون و شبکه های عصبی است Time to learn the inspiration of perceptron and Neural Networks

آموزش: نحوه آموزش پرسپترون Learning: How to train a Perceptron

  • چگونه حداقل تابع هزینه را پیدا کنیم؟ بله این در حال یادگیری است! How to find the minimum of a cost function? Yes this is learning!

  • الگوریتم Gradient Descent: مثال عددی برای بهینه سازی وزن ها Gradient Descent algorithm: Numerical example for optimizing weights

  • الگوریتم Gradient Descent: مثال عددی برای بهینه سازی بایاس ها Gradient Descent algorithm: Numerical example for optimizing biases

آموزش: نحوه آموزش پرسپترون Learning: How to train a Perceptron

  • یادگیری و آموزش در شبکه های عصبی: به حداقل رساندن یک تابع هزینه (خطا) Learning and training in Neural Networks: minimizing a cost (error) function

  • یادگیری و آموزش در شبکه های عصبی: به حداقل رساندن یک تابع هزینه (خطا) Learning and training in Neural Networks: minimizing a cost (error) function

  • توابع هزینه/خطا مختلف Different cost/error functions

  • توابع هزینه/خطا مختلف Different cost/error functions

  • چگونه حداقل تابع هزینه را پیدا کنیم؟ بله این در حال یادگیری است! How to find the minimum of a cost function? Yes this is learning!

  • الگوریتم Gradient Descent: مثال عددی برای بهینه سازی وزن ها Gradient Descent algorithm: Numerical example for optimizing weights

  • الگوریتم Gradient Descent: مثال عددی برای بهینه سازی بایاس ها Gradient Descent algorithm: Numerical example for optimizing biases

  • تاثیر میزان یادگیری The impact of the learning rate

  • تاثیر میزان یادگیری The impact of the learning rate

  • چالش‌ها در آموزش/یادگیری شبکه‌های عصبی Challenges in training/learning Neural Networks

  • چالش‌ها در آموزش/یادگیری شبکه‌های عصبی Challenges in training/learning Neural Networks

  • کدگذاری یک پرسپترون ساده در جاوا Coding a simple Perceptron in Java

  • کدگذاری یک پرسپترون ساده در جاوا Coding a simple Perceptron in Java

یک شبکه پرسپترون، شبکه های عصبی عمیق و یادگیری عمیق A Perceptron Network, Deep Neural Networks, and deep learning

  • چند نورون: یک شبکه پرسپترون Multiple neurons: a perceptron network

  • MLP: یک پرسپترون چند لایه MLP: A Multi-layer Perceptron

یک شبکه پرسپترون، شبکه های عصبی عمیق و یادگیری عمیق A Perceptron Network, Deep Neural Networks, and deep learning

  • توابع فعال سازی مختلف Different activation functions

  • توابع فعال سازی مختلف Different activation functions

  • چند نورون: یک شبکه پرسپترون Multiple neurons: a perceptron network

  • MLP: یک پرسپترون چند لایه MLP: A Multi-layer Perceptron

  • MLP in Action: A Live Demo MLP in Action: A Live Demo

  • MLP in Action: A Live Demo MLP in Action: A Live Demo

  • شبکه های عصبی عمیق و یادگیری عمیق Deep Neural Networks and Deep Learning

  • شبکه های عصبی عمیق و یادگیری عمیق Deep Neural Networks and Deep Learning

BP: الگوریتم پس انتشار BP: Backpropagation Algorithm

  • نظریه الگوریتم پس انتشار The theory of the Backpropagation Algorithm

  • تاثیر حرکت 1 The impact of the momentum1

BP: الگوریتم پس انتشار BP: Backpropagation Algorithm

  • نظریه الگوریتم پس انتشار The theory of the Backpropagation Algorithm

  • تاثیر حرکت 1 The impact of the momentum1

رگرسیون با استفاده از شبکه های عصبی Regression using Neural Networks

رگرسیون با استفاده از شبکه های عصبی Regression using Neural Networks

  • رگرسیون خطی و لجستیک (غیر خطی) با استفاده از MLPs Linear and logistic (non-linear) regression using MLPs

  • رگرسیون خطی و لجستیک (غیر خطی) با استفاده از MLPs Linear and logistic (non-linear) regression using MLPs

  • رگرسیون در عمل: نسخه ی نمایشی زنده Regression in action: live demo

  • رگرسیون در عمل: نسخه ی نمایشی زنده Regression in action: live demo

  • مثال ها و مسائل رگرسیون Regression examples and issues

  • مثال ها و مسائل رگرسیون Regression examples and issues

  • رگرسیون چندگانه Multiple regression

  • رگرسیون چندگانه Multiple regression

  • رگرسیون چندگانه در عمل: نسخه ی نمایشی زنده Multiple regression in action: live demo

  • رگرسیون چندگانه در عمل: نسخه ی نمایشی زنده Multiple regression in action: live demo

  • MLP به عنوان یک تقریب جهانی MLP as a universal approximator

  • MLP به عنوان یک تقریب جهانی MLP as a universal approximator

نوروف Neuroph

  • مقدمه ای بر نوروف Introduction to Neuroph

  • بیایید یک نورون مصنوعی در نوروف ایجاد کنیم Let's create an artificial neuron in neuroph

  • ایجاد MLP در Neuroph Creating an MLP in Neuroph

  • تشخیص شخصیت های دست نویس در Neuroph Hand-written character recognition in Neuroph

  • تشخیص تصویر در نوروف Image recognition in Neuroph

نوروف Neuroph

  • مقدمه ای بر نوروف Introduction to Neuroph

  • بیایید یک نورون مصنوعی در نوروف ایجاد کنیم Let's create an artificial neuron in neuroph

  • ایجاد MLP در Neuroph Creating an MLP in Neuroph

  • نمونه پروژه در نوروف A sample project in Neuroph

  • نمونه پروژه در نوروف A sample project in Neuroph

  • تجسم در نوروف Visualizations in Neuroph

  • تجسم در نوروف Visualizations in Neuroph

  • تشخیص شخصیت های دست نویس در Neuroph Hand-written character recognition in Neuroph

  • تشخیص تصویر در نوروف Image recognition in Neuroph

کتاب الکترونیکی رایگان Free e-book

  • کتاب من در مورد NN My book on NNs

کتاب الکترونیکی رایگان Free e-book

  • کتاب من در مورد NN My book on NNs

نمایش نظرات

آموزش مقدمه ای بر شبکه عصبی مصنوعی و یادگیری عمیق
جزییات دوره
7 hours
36
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,383
4.7 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

Seyedali Mirjalili Seyedali Mirjalili

دکتری هوش مصنوعی