آموزش جامع یادگیری عمیق با پایتون Python – کاملا پروژه محور

در این دوره آموزشی قصد داریم به آموزش یادگیری عمیق با پایتون بپردازیم. یادگیری عمیق یا deep learning یک حوزه از هوش مصنوعی (AI) و زیر مجموعه یادگیری ماشین (machine learning) محسوب می‌شود و با الگوریتم‌هایی سر و کار دارد که از ساختار بیولوژیک و کارکرد مغز برای کمک به ماشین‌ها با استفاده از هوش، الهام گرفته اند. از یادگیری عمیق برای ساخت و توسعه انواع شبکه عصبی (پرسپترون های چند لایه (MLP)، CNN، RNN و LSTM) استفاده می شود.

از یادگیری عمیق می‌توان برای انجام پروژه های مختلف علم داده (data science) از جمله تجزیه و تحلیل کسب و کار (Business analytics)، داده کاوی (data mining)، تحزیه و تحلیل متن (text analytics) و پردازش تصویر استفاده کرد.

یادگیری ماشین را می‌توان فرآیند بکارگیری هوش در سیستم یا ماشین بدون برنامه نویسی آشکار (explicit programming) تعریف کرد.

متأسفانه در خصوص یادگیری این تخصص مهم، تعدادی باور اشتباه وجود دارد؛ از جمله داشتن دانش بسیار قوی در حوزه خطی، دانش عمیق در خصوص شبکه های عصبی، دانستن در خصوص آمار و احتمالات (Statistics and probabilities)، آشنایی کافی از یادگیری ماشین (Machine learning)، داشتن مدرک دکترا در رشته آمار و یا علوم کامپیوتر و یا داشتن حداقل 10 سال سابقه کار در حوزه توسعه یادگیری ماشین. تمام این باورها غلط و اشتباه هستند.

پایتون به دلیل سادگی در برنامه نویسی و قدرت زیاد، امروزه در رده محبوب ترین زبان‌های برنامه نویسی دنیا قرار دارد. برای توسعه مدل یادگیری عمیق با پایتون از سه کتابخانه محبوب استفاده می‌شود: Theano، Tensorflow و Keras. دو کتابخانه اول هم به صورت مستقیم و هم به صورت پشتیبان برای توسعه شبکه های عصبی (neural networks) قرار می گیرند.

Keras، کتابخانه ای محبوب و پیشرفته‌ است که به راحتی می‌توان مدل های شبکه های عصبی را با آن در پایتون ساخت و توسعه داد. Theano  و Tensorflow که دو کتابخانه عددی قدرتمند برای یادگیری عمیق محسوب می شوند، به عنوان پیشتیبان Keras برای توسعه یادگیری عمیق به صورت سریع و راحت مورد استفاده قرار می گیرند. مراحل توسعه یادگیری عمیق با Keras را می‌توان در گام‌های زیر تعریف کرد:

• توصیف مدل (defining model)
• کامپایل کردن مدل (model compiling)
• Fit model
• ارزیابی مدل (Accuracy, F1 score, recall , …)

سرفصل های دوره آموزش جامع یادگیری عمیق با پایتون

فصل 1 : معرفی و آشنایی با یادگیری عمیق

• معرفی دوره
• آشنایی و نصب کتابخانه Theano
• آشنایی و نصب کتابخانه Tensorflow
• آشنایی و نصب کتابخانه Kerasمروری مبانی برنامه نویسی با پایتون با تمرکز بر داده کاوی و یادگیری ماشین
• شروع کار با پایتون
• انواع ساختار داده
• برنامه‌ های کنترلی
• انواع توابع
•  Iteratorها
• Comprehensionها
• Generator‌ها
• کلاس‌ها

• کار با کتابخانه Numpy
• کار با کتابخانه Pandas

فصل 2 : پرسپترون های چند لایه (MLP)

• آشنایی با MLP و ساختار آن
• توسعه اولین مدل یادگیری عمیق بر روی دیتاست بیماران دیابتی
  • لایه‌های تمام متصل (fully connected layers)
  • Kernel initializer
  • توابع فعال سازی در لایه‌های مختلف
  • توابع loss
  • توابع بهینه سازی
  • Metrics
  • Epochs
  • Batch size
  • ارزیابی دقت پیش بینی مدل
• روش‌های ارزیابی عملکرد یادگیری عمیق
  • روش اتوماتیک
  • روش دستی
  • روش Cross validation

• ارزیابی مدل با کتابخانه Scikit learn برای یادگیری ماشین
• پروژه 1: طبقه بندی چندگانه بر روی دیتاست گیاهان
• پروژه 2: طبقه بندی دیتاست سونار به همراه پیش پردازش دیتا
• پروژه 3: پیش بینی قیمت خانه
• ذخیره کردن مدل و وزن‌های شبکه‌های عصبی
• حفظ بالاترین دقت پیش بینی در یادگیری عمیق با استفاده از checkpoint
• درک رفتار مدل با رسم دقت پیش بینی
• ساخت لایه Drop out برای regularization و کاهش over fitting

فصل 3 : شبکه‌های عصبی کانولوشنالی (CNN)

• آشنایی با CNN  و ساختار آن
• پروژه 4: طبقه بندی تصاویر اعداد با استفاده از MLP
• پروژه 5: طبقه بندی تصاویر اعداد با استفاده از CNN
• پروژه 6: تشخیص اشیا در تصاویر با CNN
• پروژه 7: تحلیل نظرات کاربران سایت فیلم با CNN

فصل 4 : شبکه‌های عصبی بازگشتی (RNN)

• آشنایی با RNN  و ساختار آن
• پیش بینی سری‌های زمانی تعداد مسافران خط هوایی با استفاده از MLP
• پروژه 8: پیش بینی تعداد مسافران خط هوایی با RNN،  LSTM
• پروژه 9: تحلیل نظرات کاربران سایت فیلم با LSTM

فصل 5 : پروژه های پیشرفته یادگیری عمیق

• پروژه 10: ساخت موتور جستجو
• پروژه 11: طبقه متن پیامک‌های مردم با MLP، CNN، RNN و LSTM

حاصل دوره

دانشجویان عزیز پس از پایان این دوره:

1. می توانند پروژه‌های داده کاوی را به کمک انواع شبکه‌های عصبی (MLP، CNN، RNN و RNN-LSTM) را انجام دهند.
2. به دلیل محبوبیت و کاربردی بودن زیاد این تخصص، در فرآیند استخدام به عنوان یک data scientist، مهاجرت تحصیلی و کاری بسیار مؤثر است.

نکته : این دوره و دیگر دوره های بنده دارای پشتیبانی روزانه برای پاسخ به سؤالات دانشجویان می باشد.

توجه : با هدف یادگیری کامل و تسلط به مباحث دوره، در صورت داشتن هر گونه سؤال، راهنمایی و نیاز به توضیحات بیشتر در خصوص فرآیندها و عملگرهای آموزش، دانشجویان محترم می توانند با ارسال تیکت از طریق بخش حساب کاربری و تیکت پشتیبانی با بنده در ارتباط باشند.