دوره جامع و پروژه محور شبکه عصبی بازگشتی RNN
یکی از شبکه‌های معروف یادگیری عمیق (Deep Learning)، شبکه عصبی بازگشتی (RNN) است. این شبکه‌ها برای داده‌هایی مناسب هستند که ماهیت توالی یا سری زمانی دارند. این دوره‌ی پروژه محور با مقدمه‌ای بر مفاهیم مورد نیاز برای درک یادگیری عمیق آغاز می‌شود. سپس لزوم استفاده از شبکه‌های عصبی بازگشتی و کاربردهای آن شرح داده می‌شود. ساختار داخلی شبکه‌های RNN و انواع دیگر آن چون LSTM, GRU, Bidirectional با جزئیات ارائه می‌شوند. در انتها، نحوه‌ی ایجاد، آموزش و ارزیابی یک شبکه RNN با استفاده از فریم ورک تنسورفلو و کراس آموزش داده می‌شود و پروژههای مختلفی چون sentiment analysis و Image Captioning و … با استفاده از این شبکه‌ها انجام می‌شوند.
یک شبکه عصبی بازگشتی (RNN) نوعی از شبکه‌های عصبی مصنوعی است که برای داده‌های توالی یا سری زمانی مناسب است. این الگوریتم یادگیری عمیق برای مسائلی مناسب است که ماهیتی ترتیبی یا زمانی دارند مانند ترجمه‌ی زبان، پردازش زبان طبیعی (NLP)، تشخیص گفتار، تولید کپشن برای تصویر (Image Captioning). این شبکه نیز مشابه شبکه عصبی کانولوشنی (CNN) از داده‌های آموزشی برای یادگیری استفاده می‌کند. مزیت اصلی این شبکه‌ها وجود «حافظه» در ساختار آنهاست به این معنا که اطلاعات مربوط به ورودی‌های قبلی می‌تواند روی ورودی و خروجی فعلی اثرگذار باشد. حتی در نسخه‌هایی از شبکه‌های RNN، ورودی‌های آینده نیز میتوانند بر خروجی زمان فعلی اثرگذار باشند. در این دوره تمام مفاهیم فوق مورد بررسی دقیق و جزئی قرار گرفته است. ابتدا مقدمه‌ای از مفاهیم پایه‌ای و مهم برای درک یادگیری عمیق ارائه شده است. مقدمه‌ای از کاربردهای مختلف شبکه RNN و لزوم وجود آن آمده است. سپس توضیحاتی در مورد فریم ورک تنسورفلو و مقایسه‌ی آن با سایر فریم ورک‌های یادگیری عمیق ارائه شده است. نحوه‌ی ایجاد، آموزش و ارزیابی یک مدل RNN در تنسورفلو و کراس توضیح داده شده است. پس از آن برای چهار مدل اصلی شبکه‌های RNN (یعنی One To One، One to Many، Many to One و Many to Many)، کدهای ساده نوشته شده است که درک هر کدام از این شبکه‌ها ساده شود و پس از آن پروژههای مختلفی چون کلاسبندی تصاویر، تحلیل احساسات، تولید کپشن برای تصاویر، پیش بینی قیمت سهام، تشخیص فعالیت انسان با شبکه‌های RNN و انواع مختلف آن انجام شده است.
محتوای پکیج
فهرست مطالب
- مقدمه‌ای بر مفاهیم اصلی و پایه‌ای یادگیری عمیق
- معرفی شبکهی عصبی بازگشتی و کاربردهای آشنای آن
- توضیح جزئیات ساختار شبکه عصبی بازگشتی
- توضیحاتی در مورد فریم ورک تنسورفلو و کراس و سایر فریم ورک های یادگیری عمیق
- نحوه‌ی نصب و استفاده از سه IDE پایتون؛ Google Colab, Vscode, JupyterNotebook
- پیاده سازی معماری ساده One to One RNN برای دیتای تولید شده تصادفی
- پیاده سازی معماری ساده One to Many RNN برای دیتای تولید شده تصادفی
- پیاده سازی معماری ساده Many to One RNN برای دیتای تولید شده تصادفی
- پیاده سازی معماری ساده Many to Many RNN برای دیتای تولید شده تصادفی
- پیاده سازی پروژه کلاسبندی تصاویر دیتاست MNIST با شبکه RNN
- مروری بر مفاهیم اولیه پردازش زبان طبیعی
- توضیح لایه‌ی WordEmbedding فریم ورک کراس
- پیاده سازی پروژه تحلیل احساسات (Sentiment Analysis) با دیتاست IMDB
- پیاده سازی پروژه تولید کپشن برای تصاویر با دیتاست Flicker8k با مدل CNN-RNN
- توضیح نقص‌های RNN برای انواع خاصی از داده‌های توالی
- معرفی شبکه LSTM و توضیح جزئیات داخلی آن
- پیاده سازی پروژه پیش بینی سهام گوگل با دیتاست GOOG با شبکه LSTM
- معرفی شبکه GRU و توضیح جزئیات داخلی آن
- پیاده سازی پروژه تشخیص فعالیت انسان (Human Activity Recognition) با دیتاست HAR با شبکه GRU
- معرفی شبکه Bidirectional RNN و توضیح جزئیات داخلی آن
- پیاده سازی پروژه پیش بینی سهام گوگل با دیتاست GOOG با شبکه Bidirectional RNN
محتوای پکیج
- ویدیوهای آموزشی
- جزوه دست نویس مدرس
- مقالات شبکه‌های پیاده سازی شده
- کدهای پیاده سازی شده برای پروژه های عملی
مدت زمان دوره: 13ساعت
مدرس دوره: هما کاشفی امیری
دوره های مرتبط
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…
هما کاشفی 
پکیج کامل پیاده‌سازی گام به گام شبکه‌های عصبی
در دوره جامع شبکه عصبی تمامی شبکه‌های عصبی صفر تا صد آموزش داده شده و سپس مرحله به مرحله بدون اینکه از تولباکس آماده استفاده کنیم، پیاده سازی می‌شوند. برای اینکه بتوانید یک شبکه‌ای را در متلب پیاده‌سازی کنید لازم…
محمد نوری زاده چرلو .فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.
