توضیحات
نکات مهم برای سفارش و خرید محصول آموزشی:
1) در مراحل خرید، کد رهگیری پرداخت را وارد نمایید.
2) بعد از خرید نهایی، تا چند دقیقه منتظر بمانید تا دوره برای شما فعال شود.
3) بعد از فعال شدن دوره، از منوی حساب کاربری من (بالای صفحه) به دوره دسترسی دارید.
📌 در این دوره چه چیزهایی یاد میگیرید؟
در این دوره ۲۵ ساعته، مطالب در چهار بخش کلیدی ارائه خواهند شد.
1) بخش اول: مفاهیم و مقدمات یادگیری عمیق همراه با پروژه های طبقه بندی دو کلاسه و چند کلاسه
در این آموزش جامع و پروژهمحور، تمامی مراحل شروع و پیادهسازی یک پروژه طبقهبندی تصاویر را به صورت قدم به قدم و با زبانی ساده توضیح دادم؛ به گونهای که حتی اگر تازهکار هستید و فقط کمی با پایتون آشنا داشته باشید، بتوانید به راحتی پروژه طبقه بندی را پیاده سازی کنید.
در این بخش ، مباحث زیر پوشش داده شده اند:
- معرفی رکنهای اساسی شروع پروژه طبقهبندی تصاویر
- مفهوم طبقهبندی و نقش هوش مصنوعی در آن
- یادگیری عمیق چیست و چگونه بر اساس ساختار سلولهای مغز ساخته شده است
- انواع شبکههای عصبی عمیق و تمرکز ویژه بر شبکههای کانولوشن (CNN)
- توضیح کامل و دقیق همه لایههای شبکه کانولوشن و پارامترهای آن
- معرفی توابع فعالسازی، زیانها (Loss Functions) و بهینهسازها (Optimizers)
- معرفی بیش از ۳۰ سایت معتبر برای دانلود رایگان دیتاستهای مختلف
- آموزش گام به گام کدنویسی پروژه در محیط Google Colab
- نحوه بارگذاری دیتاست و اتصال آن به محیط کدنویسی
- توضیح انواع تصاویر، نحوه نرمالسازی و آمادهسازی آنها
- معرفی انواع فرمتهای برچسب دادهها (Labels)
- آموزش کامل معیارهای ارزیابی مدل مانند Accuracy, Precision, Recall، F1-Score و سایر معیارهای مهم (۹ روش ارزیابی)
- کاربرد Callbackها برای بهبود آموزش مدل
- آموزش ذخیره مدل آموزشدیده و استفاده از آن برای پیشبینی تصاویر جدید
- به اشتراک گذاشتن تجربیات عملی و نکات مهمی که در پروژهها و مقالات روز دنیا به دست آوردهام
- پیاده سازی پروژه های 1) طبقه بندی تصاویر سگ و گربه و 2) طبقه بندی تصاویر تومورهای مغزی در 4 کلاس
2) بخش دوم: شناسایی و رفع Overfitting و Underfitting و آموزش روش های مختلف Data Augmentation
در این بخش، ابتدا مشکلات رایج شبکههای عصبی مثل Overfitting و Underfitting و روشهای تشخیص و رفع آنها را به طور کامل بررسی کردیم.
سپس دو روش اصلی برای افزایش دادهها معرفی شد:
• روشهای فیزیکی افزایش داده شامل:
– چرخش
– انتقال
– تغییر اشباع و رنگ
– انعکاس
– افزودن نویز
– تغییر روشنایی
و تکنیکهای دیگر
- استفاده از ابزار قدرتمند ImageDataGenerator
این دو روش به طور جامع و کاربردی روی پروژه طبقهبندی تصاویر مغز پیادهسازی شدند.
3) بخش سوم: معرفی جامع شبکههای عصبی پیشرفته و پیادهسازی کامل آنها
در این بخش از دوره آموزشی، یک مرور تاریخی و فنی کامل بر شبکههای عصبی پیشرفته از سال ۱۹۸۹ تا به امروز ارائه شده است. هدف این بخش، آشنایی عمیق با سیر تکاملی شبکههای عصبی و درک جزئیات معماریهای مهم است که پایه و اساس بسیاری از موفقیتهای یادگیری عمیق مدرن را تشکیل میدهند.
ما به ترتیب شبکههای زیر را به طور کامل بررسی و پیادهسازی کردهایم:
- AlexNet (2012): شبکهای که انقلاب یادگیری عمیق را آغاز کرد؛ با معماری ساده اما مؤثر و معرفی تکنیکهای نوینی مانند استفاده از ReLU و Dropout.
- VGG16 و VGG19 (2014): شبکههایی با ساختاری عمیقتر و استفاده از فیلترهای ۳×۳ کوچک که توانایی استخراج ویژگیهای پیچیدهتری را فراهم کردند.
- Inception (نسخههای 1 تا 3) (2014-2016): معماری نوآورانه با استفاده از چندین فیلتر موازی در یک لایه برای بهبود عملکرد و کاهش پارامترها.
- ResNet (نسخههای 50 و 152) (2015): معرفی مفهوم «اتصالات باقیمانده» (Residual Connections) که اجازه میدهد شبکههای بسیار عمیقتر بدون مشکل ناپدید شدن گرادیان آموزش ببینند.
- DenseNet121 (2016): با معماری متصل به هم که هر لایه از تمام لایههای قبلی ورودی میگیرد و این باعث بهبود جریان اطلاعات و کاهش پارامترها میشود.
- SE-Net (Squeeze-and-Excitation Networks) (2017): افزایشی در توجه به کانالهای ویژگی برای بهبود عملکرد مدلها.
- EfficientNet (نسخههای B0 تا B7) (2019): بهینهسازی ابعاد شبکه (عمق، عرض، رزولوشن) به صورت همزمان برای افزایش کارایی با کمترین هزینه محاسباتی.
- MobileNet: شبکهای سبک و سریع برای کاربردهای موبایل و دستگاههای کممنبع.
برای هر شبکه، موارد زیر را به طور دقیق پوشش دادهایم:
- تاریخچه و زمینه معرفی
- جزئیات معماری و نوآوریهای فنی
- مزایا و معایب و محدودیتها
- ورژنها و تفاوتهای کلیدی
- نحوه تنظیم پارامترها و آموزش در پروژههای طبقهبندی تصاویر
- تحلیل نتایج با استفاده از معیارهای ارزیابی استاندارد
تمامی این شبکهها به صورت عملی، خط به خط کدنویسی و روی پروژههای طبقهبندی تصاویر مختلف پیادهسازی شدهاند تا دانشجویان و علاقهمندان بتوانند به شکل کاربردی با این مدلها کار کنند و مهارتهای لازم برای بهینهسازی و ارزیابی آنها را کسب نمایند.
با گذراندن این بخش، شما به دانش کاملی در زمینه شبکههای عصبی پیشرفته و چگونگی بهکارگیری آنها در پروژههای واقعی دست خواهید یافت که میتواند پایهای قوی برای ورود به حوزههای پیشرفتهتر یادگیری ماشین و هوش مصنوعی باشد.
4) بخش چهارم: معرفی شبکههای LSTM و پیادهسازی آنها در پروژههای واقعی
در این بخش از دوره آموزشی، به صورت کامل به معرفی شبکههای LSTM (Long Short-Term Memory) و کاربردهای آنها پرداختیم. این نوع شبکهها، یکی از مهمترین معماریهای یادگیری عمیق برای پردازش دادههای ترتیبی هستند که به دلیل توانایی در یادگیری وابستگیهای طولانیمدت، در حوزههای مختلفی همچون تحلیل سیگنالها، پردازش زبان طبیعی و دادههای زمانی بهکار میروند.
در این قسمت:
- ساختار اصلی LSTM و نحوه کارکرد واحدهای حافظه معرفی شد.
- انواع مختلف LSTM به صورت مرحلهبهمرحله توضیح داده شد.
- تفاوتها، مزایا و کاربردهای هر نوع از LSTM بیان شد.
سپس پنج مدل مختلف از LSTM را روی پروژههای عملی پیادهسازی کردیم:
- Vanilla LSTM: مدل پایه برای دادههای ترتیبی.
- Stacked LSTM: مدل چندلایهای برای یادگیری عمیقتر الگوها.
- Bidirectional LSTM: مدل دوطرفه برای استفاده همزمان از اطلاعات گذشته و آینده.
- CNN-LSTM: ترکیب شبکههای کانولوشنی و LSTM برای دادههایی که هم ساختار مکانی دارند و هم زمانی.
- ConvLSTM2D: نسخه پیشرفته برای دادههای تصویری-زمانی با ویژگیهای مکانی و ترتیبی.
پروژههای عملی
- پروژه اول: طبقهبندی سیگنالهای ECGدر ۵ کلاس مختلف آریتمی های قلب.
- پروژه دوم: دستهبندی ریتمهای قلبی (ECG) به نرمال و غیرنرمال.
تکنیکهای تکمیلی
در طول این پروژهها، تکنیکهای کلیدی زیر آموزش داده و پیادهسازی شدند:
- Weighting: برای مقابله با عدمتوازن دادهها و بهبود دقت مدل.
- Shuffle: برای بهبود آموزش و جلوگیری از یادگیری الگوهای ناخواسته.
با گذراندن این بخش، یاد میگیرید چگونه شبکههای LSTM و انواع آنها را در پروژههای واقعی پیادهسازی کرده و برای دادههای ترتیبی مانند EEG و ECG و یا انواع سری های زمانی به کار بگیرید.
نظرات
هنوز نظری ثبت نشده است.