یادگیری عمیق یا Deep Learning یکی از زیر شاخه های بحث یادگیری ماشین و از ترند ترین بحث های روز هوش مصنوعی است که مفاهیم اساسی آن برگرفته شده از سیستم عصبی انسان است،

همانطور که در تصویر زیر مشاهده میکنید هر Preceptron مانند نورون های عصبی انسان دارای یک سری ورودی و یک تابع جمع کننده و یک خروجی است.

پیشنیاز ها

  • دوره جامع زبان برنامه نویسی پایتون با تمرکز بر هوش مصنوعی
  • دوره جامع هوش مصنوعی و سیستم های خبره
  • دوره جامع یادگیری ماشین در پایتون

سرفصل های دوره جامع Deep learning

بخش اول: مقدمه و معرفی یادگیری عمیق Deep learning

  • معرفی شبکه های عصبی مصنوعی و ایده شبکه ی عصبی انسانی
  • تاریخچه یادگیری عمیق
  • کاربرد های Deep learning

بخش دوم: انواع مدل های یادگیری عمیق

  • Supervised Learning
  • Unsupervised Learning
  • SemiSupervised Learning
  • GAN یا Generative adversarial network
  • CNN یا Convolutional neural network
  • Recurrent neural network

بخش سوم: شبکه های عصبی مصنوعی چند لایه MLP

  • شبکه های عصبی مصنوعی (Artificial Neural Network)
  • معرفی مدل پرسپترون
  • معرفی شبکه های عصبی MLP
  • شبکه های FC

بخش چهارم: شبکه های عصبی کانوولوشنال CNN

  • معرفی CNN ها
  • بررسی چند مثال
  • تشخیص لبه ها

بخش پنجم: شبکه های معروف CNN

  • Lenet
  • AlexNet
  • ResNest
  • Google Net
  • VGG16
  • VG199

بخش ششم: Transfer Learning یا یادگیری انتقالی

بخش هفتم: یادگیری عمیق در پایتون

  • معرفی سخت افزار مورد نیاز برای اجرای شبکه ها رو GPU
  • آشنایی با پکیج Tensorflow و کتابخانه Keras
  • آشنایی با Goolge colab برای اجرا و Train شبکه های عصبی
  • پیاده سازی شبکه های عصبی مصنوعی در Keras
  • ارزیابی و تست شبکه های عصبی
  • پروژه پردازش تصویر ۱
  • پروژه پردازش تصویر ۲
  • پروژه پردازش تصویر ۳ ( کابرد یادگیری انتقالی )