آموزش مبانی بهینه‌سازی مدل و یادگیری عمیق - آخرین آپدیت

دانلود Foundations of Model Optimization and Deep Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره دارای قابلیت Coursera Coach است! روشی هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و آنی که به شما کمک می‌کند تا دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. این دوره شما را با مهارت‌ها و دانش بنیادی برای بهینه‌سازی مدل‌های یادگیری ماشین و پیاده‌سازی تکنیک‌های یادگیری عمیق مانند شبکه‌های عصبی پیچشی (CNN) آشنا می‌کند. شما با یادگیری نقش حیاتی تنظیم هایپرپارامترها و تکنیک‌های بهینه‌سازی برای بهبود عملکرد مدل شروع خواهید کرد. این دوره طیف گسترده‌ای از استراتژی‌های بهینه‌سازی از جمله Grid Search، Random Search و بهینه‌سازی پیشرفته Bayesian را پوشش می‌دهد. همچنین کاربردهای عملی تکنیک‌های منظم‌سازی (Regularization) مانند L1، L2 و Dropout و استراتژی‌های اعتبارسنجی متقاطع (Cross-Validation) برای ارزیابی دقیق مدل را بررسی خواهید کرد. در ادامه، دوره به بررسی یادگیری عمیق با تمرکز بر CNNها می‌پردازد که ابزارهایی قدرتمند برای پردازش تصویر و بینایی ماشین هستند. شما مکانیسم لایه‌های CNN، مانند لایه‌های پیچشی (Convolutional) و لایه‌های pooling و نحوه کاهش ابعاد در عین حفظ ویژگی‌های حیاتی را خواهید آموخت. سپس دوره به بخش تجربه عملی منتقل می‌شود، جایی که معماری‌های CNN را با استفاده از فریم‌ورک‌های محبوبی مانند Keras، TensorFlow و PyTorch خواهید ساخت. همچنین بینش‌هایی در مورد تکنیک‌های پیشرفته‌ای مانند افزایش داده‌ها (Data Augmentation) و منظم‌سازی برای بهبود تعمیم‌پذیری مدل به دست خواهید آورد. با پیشروی در دوره، این مفاهیم را در پروژه‌های دنیای واقعی به کار خواهید گرفت. نقطه اوج این دوره، یک پروژه عملی است که در آن از مهارت‌های یادگیری عمیق خود برای طبقه‌بندی تصاویر با استفاده از مجموعه‌داده‌های Fashion MNIST یا CIFAR-10 استفاده می‌کنید. با کار روی این پروژه، درک خود را از نحوه عملکرد CNNها در محیط‌های عملی تقویت کرده و توانایی‌های تئوری و عملی خود در یادگیری ماشین را ارتقا خواهید داد. این دوره برای یادگیرندگانی طراحی شده است که می‌خواهند در بهینه‌سازی یادگیری ماشین و یادگیری عمیق عمیق شوند، به‌ویژه کسانی که علاقه‌مند به دنبال کردن مسیر شغلی در هوش مصنوعی (AI) و علوم داده هستند. داشتن درک پایه از پایتون و مفاهیم بنیادی یادگیری ماشین به شما کمک می‌کند تا بیشترین بهره را از این دوره ببرید؛ دوره‌ای که برای یادگیرندگان سطح متوسط مشتاق به ساخت اپلیکیشن‌های واقعی هوش مصنوعی مناسب است. در پایان این دوره، شما قادر خواهید بود مدل‌های یادگیری ماشین را با استفاده از تکنیک‌های مختلف تنظیم بهینه‌سازی کنید، شبکه‌های عصبی پیچشی را برای پردازش تصویر پیاده‌سازی نمایید و از منظم‌سازی و افزایش داده‌ها برای بهبود دقت و تعمیم‌پذیری مدل استفاده کنید.

سرفصل ها و درس ها

معرفی دوره و مدرس Introduction to Course and Instructor

  • معرفی تخصص Introduction to the Specialization

تنظیم و بهینه‌سازی مدل Model Tuning and Optimization

  • روز اول: مقدمه‌ای بر تنظیم هایپرپارامترها Day 1: Introduction to Hyperparameter Tuning

  • روز دوم: جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی (Random Search) Day 2: Grid Search and Random Search

  • روز سوم: تنظیم پیشرفته هایپرپارامترها با بهینه‌سازی بیزی Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

  • روز چهارم: تکنیک‌های منظم‌سازی برای بهینه‌سازی مدل Day 4: Regularization Techniques for Model Optimization

  • روز پنجم: اعتبارسنجی متقاطع و تکنیک‌های ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

  • روز ششم: تنظیم خودکار هایپرپارامترها با GridSearchCV و RandomizedSearchCV Day 6: Automated Hyperparameter Tuning with GridSearchCV and RandomizedSearchCV

  • روز هفتم: پروژه بهینه‌سازی – ساخت و تنظیم مدل نهایی Day 7: Optimization Project – Building and Tuning a Final Model

شبکه‌های عصبی پیچشی (CNNs) Convolutional Neural Networks (CNNs)

  • روز اول: مقدمه‌ای بر شبکه‌های عصبی پیچشی Day 1: Introduction to Convolutional Neural Networks

  • روز دوم: لایه‌های پیچشی و فیلترها Day 2: Convolutional Layers and Filters

  • روز سوم: لایه‌های Pooling و کاهش ابعاد Day 3: Pooling Layers and Dimensionality Reduction

  • روز چهارم: ساخت معماری‌های CNN با Keras و TensorFlow Day 4: Building CNN Architectures with Keras and TensorFlow

  • روز پنجم: ساخت معماری‌های CNN با PyTorch Day 5: Building CNN Architectures with PyTorch

  • روز ششم: منظم‌سازی و افزایش داده‌ها برای CNNها Day 6: Regularization and Data Augmentation for CNNs

  • روز هفتم: پروژه CNN – طبقه‌بندی تصاویر در Fashion MNIST یا CIFAR 10 Day 7: CNN Project – Image Classification on Fashion MNIST or CIFAR-10

نمایش نظرات

آموزش مبانی بهینه‌سازی مدل و یادگیری عمیق
جزییات دوره
7h 7m
15
(آخرین آپدیت)
1,185
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده