آموزش یادگیری عمیق و کاربرد آن در علم داده

یادگیری عمیق (Deep Learning) زیر مجموعه ای مهم از یادگیری ماشین (Machine Learning) است که هدف آن آموزش ماشین ها به کمک داده هاست. یادگیری عمیق به رایانه ها و ماشین ها یاد می دهد تا مشابه یک انسان رفتار کنند.

دو مفهوم یادگیری عمیق و شبکه عصبی بسیار به یکدیگر نزدیک هستند اما تفاوت اصلی آنها در این است که یادگیری عمیق محدوده گسترده تری از شبکه عصبی را دارد و دارای الگوریتم های یادگیری تقویتی است.

در این دوره چه مباحثی آموزش داده شده است؟

ما در این دوره به آموزش یادگیری عمیق و کاربرد آن در علم داده می پردازیم. ما در این دوره علاوه بر مفاهیم انتزاعی، مفاهیم کاربردی و عملی Deep Learning را نیز به شما آموزش می دهیم.

همچنین در این دوره مفاهیم کاهش گرادیان، بیش برازش، پیش انتشار و … که از اصلی ترین مفاهیم در حوزه شبکه های عصبی و یادگیری ماشین محسوب هستند به شما آموزش داده شده است.

ما در این دوره مباحث زیر را به شما آموزش خواهیم داد:

• آشنایی با شبکه های عصبی
• نحوه ساخت یک شبکه عصبی از (Scratch) با NumPy
• آشنایی با TensorFlow 2.0
• ورود عمیق تر در NN ها معرفی شبکه های عصبی عمیق
• بیش برازش (Overfitting)
• مقداردهی اولیه (Initialization)
• عمیق شدن در جدول شیب نزولی و برنامه های نرخ یادگیری
• پیش پردازش (Preprocessing)
• طبقه بندی در مجموعه داده های MNIST
• مثال مورد تجاری و کسب‌و‌کار

سرفصل های دوره آموزش یادگیری عمیق و کاربرد آن در علم داده

• آشنایی با شبکه های عصبی
• آموزش مدل
• انواع یادگیری ماشین (Machine Learning)
• مدل خطی (نسخه جبری خطی)
• مدل خطی با ورودی های چندگانه
• مدل خطی با چندین ورودی و چندین خروجی
• نمایش گرافیکی شبکه های عصبی ساده
• تابع هدف (Objective Function) چیست؟
• توابع هدف مشترک: از بین رفتن نُرم L2
• توابع هدف مشترک: از بین بردن آنتروپی
• الگوریتم بهینه سازی: نزول گرادیان 1 پارامتر
• الگوریتم بهینه سازی: نزول گرادیان n- پارامتر
• مثال اساسی NN
• آشنایی با TensorFlow 2.0
• طرح کلی TensorFlow و مقایسه آن با سایر کتابخانه ها
• TensorFlow 1 در مقابل TensorFlow 2
• نکته ای مهم درباره سینتکس TensorFlow 2
• انواع فرمت های فایل پشتیبانی کننده TensorFlow
• طرح کلی مدل با TensorFlow 2
• تفسیر نتیجه و استخراج اوزان (Weights) و بایاس (Bias)
• سفارشی کردن یک مدل TensorFlow 2
• لایه چیست؟
• Deep Net چیست؟
• عمیق تر شدن در یک Deep Net
• غیرخطی بودن و هدف آن ها
• توابع فعال سازی (Activation Functions)
• توابع فعال سازی: فعال سازی (Softmax)
• پس انتشار (Backpropagation)
• تصویر پس انتشار (Backpropagation)
• بیش برازش (Overfitting) چیست؟
• بیش برازش (Overfitting) و کم برازش (Underfitting) برای طبقه‌بندی
• اعتبار سنجی چیست؟
• آموزش، اعتبار سنجی، تست مجموعه ها
• اعتبار سنجی N-Fold
• توقف زودهنگام یا زمان توقف آموزش
• مقداردهی اولیه (Initialization) چیست؟
• انواع مقداردهی اولیه (Initialization) ساده
• پیشرفته ترین روش – (Xavier) مقداردهی اولیه گلروت Glorot Initialization
• کاهش گرادیان تصادفی (Stochastic Gradient Descent)
• مشکلات کاهش شیب دار (Gradient Descent)
• اندازه حرکت (Momentum)
• برنامه های نرخ یادگیری (Learning Rate)
• برنامه های نرخ یادگیری تصویرسازی شده
• برنامه های نرخ یادگیری تطبیقی (AdaGrad و RMSprop)
• Adam (برآورد لحظه تطبیقی)
• مقدمه پیش پردازش
• انواع پیش پردازش پایه و اساسی
• استاندارد سازی (Standardization)
• پیش پردازش داده های دسته ای
• رمزگذاری Binary و One-Hot
• مجموعه داده
• نحوه بررسی با MNIST
• وارد کردن بسته های مرتبط و بارگذاری داده ها
• پیش پردازش داده ها – ایجاد یک مجموعه اعتبار سنجی و مقیاس بندی کردن آن
• پیش پردازش داده ها – تغییر شکل و دسته ای
• طرح کلی مدل
• انتخاب Loss و Optimizer
• یادگیری
• آزمایش مدل
• بررسی مجموعه داده ها و شناسایی پیش بینی کننده‌ها
• متعادل سازی مجموعه داده
• طرح ریزی کردن راه حل
• پیش پردازش داده ها
• یادگیری داده های پیش پردازش شده
• یادگیری و تفسیر نتیجه
• تنظیم مکانیسم توقف زودهنگام
• آزمایش مدل
• خلاصه ای از آنچه یاد گرفتید
• چه چیزهایی بیشتر از نظر یادگیری ماشین وجود دارد
• مروری بر CNNs
• مروری بر RNNs
• مروری بر رویکردهای (non-NN)

آیا این دوره پیش نیاز دارد؟

بله، قبل از گذراندن این دوره شما باید دوره های زیر را گذرانده باشید:

• آموزش علم داده مقدماتی
• آموزش پایتون و کاربرد آن در علم داده
• آموزش آمار در علم داده و کاربردهای آن
• آموزش احتمال در علم داده
• آموزش ریاضیات در علم داده و کاربردهای آن

حاصل دوره

دانشجویان عزیز پس از گذراندن این دوره به طور کامل با یادگیری عمیق و شبکه های عصبی آشنا می شوند و می توانند تبدیل به یک دانشمند داده شوند.