دوره جامع و پروژه محور شبکه عصبی کانولوشنی (Convolutional Neural Network)


یادگیری عمیق (Deep Learning) یکی از حوزه‌های جذاب و پرکاربرد هوش مصنوعی است. در این دوره بر یکی از معروف‌ترین شبکه‌های عمیق به نام شبکه‌‌ی عصبی کانولوشنی (CNN) تمرکز شده است. در این دوره‌ی پروژه محور ابتدا مفاهیم اولیه و تئوری شبکه‌های CNN توضیح داده می‌شود، سپس لایه‌های تشکیل دهنده‌ی شبکه‌ی CNN به طور دقیق تعریف می‌شوند، سپس نحوه‌ی ایجاد، آموزش و ارزیابی یک شبکه CNN با استفاده از فریم ورک تنسورفلو و کراس آموزش داده می‌شود و شبکه‌های معروف CNN پیاده سازی می‌شوند.

یادگیری عمیق زیر شاخه‌ای از یادگیری ماشین (Machine Learning) و مبتنی بر شبکه‌های عصبی مصنوعی است. کلمه‌ی «عمیق» در این شبکه‌ها اشاره به زیاد شدن تعداد لایه‌های این شبکه‌ها نسبت به شبکه‌های عصبی مصنوعی (ANN) دارد و علاوه بر آن تغییراتی نیز در ساختار داخلی لایه‌ها بوجود آمده است. شبکه‌های عصبی متشکل از چندین نوع هستند، مانند CNN، RNN، GAN، LSTM و ... . در این دوره به طور خاص بر شبکه‌های عصبی کانولوشنی تمرکز شده است. ابتدا مفاهیم پایه‌ای و تئوری شبکه‌های CNN آموزش داده می‌شوند. از آنجاییکه ساختار شبکه‌های CNN از کورتکس بینایی مغز الهام گرفته شده است، از عملکرد کورتکس بینایی مغز آغاز شده است. پس از آن اجزای تشکیل دهنده‌ی شبکه‌ی CNN بیان شده است. نحوه‌ی پیاده سازی یک شبکه‌ی CNN با استفاده از فریم ورک تنسورفلو و کراس در پایتون آموزش داده شده است. مراحل ایجاد و آموزش و ارزیابی شبکه‌ی CNN به تفصیل یان شده است. چندین پروژه‌ی ساده برای آشنایی با نحوه‌ی تعریف و آموزش شبکه‌های CNN انجام شده است. در انتها شبکه‌های معروف CNN از جمله LeNet، AlexNet، ZFNet، GoogleNet، VGGNet و ResNet با استفاده از فریم ورک تنسورفلو پیاده سازی شده‌اند.

فهرست مطالب

  • مروری بر مسیر بینایی انسان و بررسی عملکرد آنها در مغز
  • بررسی نواحی مختلف بینایی در مغز V1&V2&V4, IT
  • مدلسازی کورتکس بینایی
  • مروری بر اصطلاحات و مفاهیم پیش نیاز برای درک شبکه‌های عمیق
  • معماری شبکه‌های عصبی کانولوشنی (CNN)
  • توضیحاتی در مورد فریم ورک تنسورفلو و کراس و سایر فریم ورک‌های یادگیری عمیق
  • نحوه‌ی نصب و استفاده از سه IDE، JupyterNotebook و Vscode و Google Colab
  • پیاده سازی دو معماری ساده CNN برای دو پروژه‌ی کلاسبندی برای دیتاست‌های MNIST و CIFAR-10
  • پیاده سازی شبکه CNN برای تسک رگرسیون با دیتاست BOSTON
  • پیاده سازی شبکه LeNet
  • پیاده سازی شبکه AlexNet
  • پیاده سازی شبکه ZFNet
  • پیاده سازی شبکه GoogleNet
  • پیاده سازی شبکه VGGNet
  • پیاده سازی شبکه ResNet

محتوای پکیج
  • ویدیوهای آموزشی
  • جزوه دست نویس مدرس
  • مقالات شبکه‌های پیاده سازی شده
  • کدهای پیاده سازی شده برای پروژه های عملی
مدرس: هما کاشفی امیری

مدت زمان دوره: 11 ساعت

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.