دوره یادگیری عمیق با Pytorch
دورهٔ یادگیری عمیق با Pytorch چهارمین عنوان از مجموعه دورههای علم داده است که با هدف آموزش اصولی و گام به گام این مهارتها در مدرسهٔ دانش برگزار میشود.
- دربارهٔ دوره:
- در دنیای امروز، علم داده جایگاه بسیار مهمی در بسیاری از رشتههای علمی و فنی-مهندسی به دست آورده و در پروژههای تحقیقاتی و تجاری/ مالی کاربرد اساسی یافته است. علاوه بر محیط دانشگاهی و پژوهشی، تسلط خوب و مؤثر بر مهارت های این حوزه در بازار کار امتیاز بسیار بالایی محسوب میشود.
- دورۀ حاضر برای علاقمندانِ پژوهشهای علمی و فنی در رشتههای مختلف یا علاقمندانِ ورود به بازار کارِ تحلیل داده ترتیب داده شده است و پیشنیاز دورههای پیشرفته در حوزههای شاملِ تحلیل داده است که در مدرسهٔ دانش برگزار شده و یا در آینده برگزار خواهند شد.
- اهداف سهگانۀ این دوره از این قرارند:
۱- آموزش کتابخانه pythorch
۲- ایجاد آمادگی در دانشجویان برای دورههای مرتبط بعدی (یادگیری ماشین در دادههای پزشکی)
۳- آشنایی با انواع و مفاهیم یادگیری عمیق
- پیشنیاز این دوره، دوره مقدماتی یادگیری ماشین است. مخاطبان این دوره همه دانشجویان و پژوهشگران رشتههای مختلف علمی و فنی (فیزیک، شیمی، زیستشناسی، نوروساینس، ریاضی، علوم کامپیوتر، مهندسی برق، مهندس مکانیک، مهندسی صنایع و غیره) هستند که نیازمند و علاقمند به یادگیری تحلیل دادهها برای استفاده در رشته فعلی یا آینده خود هستند. دانشآموزان پیشرفتهٔ دبیرستانی نیز میتوانند در این دوره شرکت کنند.
- از آنجا که مباحث این دوره مانند بسیاری از مهارتهای دیگر، بدون انجام تمرینهای مناسب و مستمر امکانپذیر نیست، این دوره شامل مجموعه ای متنوع و هدفمند از خودآزماییها و تمرینهاست که برای یادگیری عملی و تثبیت مهارتهای اساسی دادهکاوی با پایتون طراحی شده است. لازم به ذکر است که بخشی از درسها و آموزشهای دوره در این تمرینها گنجانده شده است تا شرکتکنندگان بتوانند یادگیری فعال (active learning) داشته باشند.
- دانشیاران و همیاران این دوره در تمام مراحل یادگیری در کنار شما خواهند بود تا شما را به نحو مطلوب در مسیر یادگیریتان هدایت کنند. ارتباط با دانشیاران و همیاران دوره و شرکتکنندگان دیگر از طریق انجمن (فروم) دوره انجام میگیرد.
- پس از گذراندن دوره و انجام تمرینها، گواهینامهٔ معتبر شرکت در دوره را به زبان انگلیسی دریافت خواهید کرد.
شیوه برگزاری: ۴ جلسه دو ساعته
-
نکات مهم
-
جلسه اول: اصول اولیه
-
جلسه دوم: Artificial Neural Networks
- Supervised learning با شبکههای عصبی
- مروری مختصر بر شبکههای عصبی چندلایه پرسپترون
- بهینه سازی Objectiv Punctin با استفاده از Gradient Descert
- محاسبه گرادیان در Pythorch
- پیادهسازی مدل خطی Regression در محیط Pytorch
- پیادهسازی شبکه عصبی MLP در محیط Pythorch
- تمارین جلسه دوم
- پرسش و پاسخ و رفع اشکال دوم
-
جلسه سوم: Convolutional Neural Networks
- مروری اجمالی بر مفاهیم شبکه های عصبی Convolution
- روش های موثر در آموزش (train) شبکه های عصبی عمیق
- پیاده سازی شبکه عصبی CNN در محیط Pythorch
- پیاده سازی شبکه عصبی CNN در محیط Pythorch (1)
- پیاده سازی شبکه عصبی CNN در محیط Pythorch (2)
- ارزیابی شبکه عثبی CNN آموزش دیده
- تمارین جلسه سوم
- پرسش و پاسخ و رفع اشکال جلسه سوم
-
جلسه چهارم: Recurrent Neural Networks
-
نظرسنجی و گواهی
0 امتیاز
5 ستاره0%
4 ستاره0%
3 ستاره0%
2 ستاره0%
1 ستاره0%