Name: دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)
SKU: 3927
Price: 149000 IRT
Availability: InStock

حالت مطالعه

دوره در وضعیت پیش فروش با تخفیف ویژه قرار دارد و 21 قسمت معادل 15 ساعت در سایت قرار داده شده است.

قسمت های انتهایی دوره شامل قسمت های 22 تا 35 در حال تکمیل و ضبط می باشند و پس از اتمام ویرایش در وب سایت مدرسه بیگ دیتا بارگذاری خواهند شد.

شما در حال تهیه پیش فروش دوره با هزینه ای به مراتب کمتر و به صرفه تری هستید. هزینه سرمایه گذاری دوره پس از اتمام قسمت 35 به مراتب بیشتر از هزینه فعلی است که با تخفیف ویژه فعال شده است.

قسمت های پایانی دوره که در حال آماده سازی هستند:

تشخیص برچسب با شبکه های عصبی پیچشی، قسمت پایانی، آشنایی با یادگیری انتقالی (Transfer Learning)، نحوه انجام و پیاده سازی یادگیری انتقالی، پیاده سازی یادگیری انتقالی بخش اول، پیاده سازی یادگیری انتقالی بخش دوم

مقدمه

هوش مصنوعی امروزه یکی از پر تقاضا ترین دوره های کامپیوتری است. یادگیری ماشین یکی از زیرشاخه های هوش مصنوعی و یادگیری عمیق یکی از زیر شاخه های یادگیری ماشین است. یادگیری عمیق امروزه یکی از مطرح ترین و پرتقاضا ترین حوزه ها در شرکت های مختلف و همچنین در محیط آکادمیک است. کسانی که به یادگیری عمیق و فریمورک های آن علاقه دارند قطعاً در آینده جزو متخصصانی هستند که در هر لحظه نیاز به حضورشان حس شده و در هر شرکتی توانایی استخدام دارند. فریمورک پایتورچ نیز یکی از همین فریمورک های یادگیری عمیق است که با پشتیبانی شرکت متا (فیسبوک) یکی از پرقدرت ترین فریمورک های این حوزه میباشد.

پیرامون دوره

این دوره را میتوان یکی از کامل ترین دوره های پایتورچ نامید که بعد از اتمام آن میتوان در حوزه های مختلفی مانند پردازش تصویر و یا متن کار کرد. در این دوره سعی شده است که از ابتدایی ترین موارد یعنی کار با Colab و Anaconda و نصب پکیج های پایتون تا موارد بسیار پیچیده تر مانند ساخت مدل های مختلف برای تشخیص برچسب داده های مختلف، یادگیری انتقالی و همچنین ساخت شبکه های ترجمه متن پوشش داده شود. در این دوره همچنین برخی موارد ابتدایی برای یادآوری توضیح داده شده و سعی شده مسائل ساده مانند رگرسیون خطی نیز با پایتورچ توضیح داده شود. محتویات این دوره کاملاً به روز بوده و برای ساخت آن ها از آخرین ورژن پایتورچ و دیگر کتابخانه ها، استفاده شده است. برای قسمت کد زنی در بخش های ابتدایی ممکن است مقداری برای شما پیچیده باشد اما مطمئناً با گذشت زمان و ساخت انواع پروژه های مختلف از صفر تا صد. تمام ابهامات شما رفع شده و مشکلی بابت این موضوع نخواهید داشت.

چارچوب قدرتمند PyTorch

PyTorch به دلیل انعطاف پذیری، سهولت استفاده و پشتیبانی داخلی برای سخت‌افزارهای بهینه شده مانند GPU، به سرعت به عنوان یک انتخاب محبوب برای ساخت مدلهای یادگیری عمیق در حال ظهور است. با استفاده از PyTorch، می‌توانید مدلهای یادگیری عمیق پیچیده بسازید، در حالی که هنوز از پشتیبانی بومی پایتون برای اشکال‌زدایی و تجسم استفاده می‌کنید. در این دوره، مبانی PyTorch، شما می‌توانید از پشتیبانی PyTorch برای نمودارهای محاسبات پویا بهره ببرید، و آن را با سایر پلت‌فرم‌های محبوب مانند TensorFlow مقایسه کنید. ابتدا، ساختارهای عصبی و شبکه‌های عصبی را یاد می‌گیرید، و می‌بینید که چگونه عملکردهای فعال سازی، تحولات وابسته و لایه‌ها در یک مدل یادگیری عمیق جمع می‌شوند. در مرحله بعد، شما چگونگی یادگیری چنین مدلی را کشف خواهید کرد، یعنی چگونه بهترین مقادیر پارامترهای مدل تخمین زده می‌شود. سپس خواهید دید که چگونه بهینه سازی نزولی شیب برای بهینه سازی این فرآیند به صورت هوشمند انجام می‌شود. انواع مختلفی از تمایز را که می‌تواند در این فرآیند استفاده شود، و نحوه استفاده PyTorch از Autograd برای اجرای خودکار تمایز در حالت معکوس را خواهید فهمید. شما با سازه‌های مختلف PyTorch مانند Tensors، Variables و Gradients کار خواهید کرد. سرانجام، چگونگی ساخت نمودار محاسبات پویا را در PyTorch یاد خواهید گرفت. دوره را با مقایسه اینها،با رویکردهای مورد استفاده در TensorFlow، یکی دیگر از پلت‌فرم‌های یادگیری عمیق برجسته که قبلاً فقط نمودارهای محاسبات ایستا را ارائه می داد، اما اخیراً پشتیبانی از نمودارهای محاسبات پویا را نیز اضافه کرده است، ادامه خواهید داد. پس از پایان این دوره، شما مهارت و دانش لازم را برای حرکت به سمت ساخت مدلهای یادگیری عمیق در PyTorch و بهره‌گیری از نمودارهای محاسبات پویا خواهید داشت.

چارچوب قدرتمند PyTorch در مقابل TensorFlow

قدرت TensorFlow بر کسی پوشیده نیست اما همانطور که مشاهده می فرمایید با استناد به سرویس Google Trends، چارچوب پایتورچ در چند سال گذشته در رقابت با تنسورفلو موفق بوده است و توانسته در ماه های اخیر محبوبیت بیشتری کسب کند.

چارچوب قدرتمند PyTorch در مقابل TensorFlow

همان‌طور که در بخش 2018 این شکل می‌بینید، استفاده از چارچوب پای‌ تورچ مورد توجه عده قلیلی بوده است؛ اما در سال 2019 شرایط دیگری حاکم شده و محققان میزان استفاده از این چارچوب را افزایش داده‌اند.

چرا نیاز هست کار با چارچوب یادگیری عمیق پای تورچ را فرا بگیرم؟

آسان نسبت به اغلب فریمورک ها
تحلیل کد آن هم ساده
قابلیت استفاده از چند GPU
ماژولاریتی بالا
انعطاف پذیری بالا
پشتیبانی همزمان از چندین backend
قابلیت ایجاد مدل های ترتیبی و تابعی
دیتاست های آماده
مدل های اماده زیاد
اجرای همزمان روی چند GPU و چند سیستم

پیش نیاز شرکت در این دوره برای مخاطبین گرامی مدرسه بیگ دیتا چیست؟

آشنایی با زبان برنامه نویسی پایتون
آشنایی با مفاهیم یادگیری عمیق

شرکت کنندگان پس از شرکت در دوره به چه توانایی هایی دست پیدا خواهند کرد؟

یادگیری بخش های مهم زبان برنامه نویسی پایتون.
آشنایی با آرایه ها، ماتریس ها، پردازش داده ها و مباحث مهم ریاضیات
درک و فهم داده ها، پردازش آن ها، پاک سازی و آماده سازی برای الگوریتم های یادگیری ماشین.
بصری سازی هر نوع داده ای با هر نوع ابزار استانداری که در پایتون وجود دارد.
شرکت کنندگان در این دوره بعد از انتهای دوره میتوانند با استفاده از پایتورچ مدل های یادگیری عمیق را پیاده سازی کنند.
همچنین شرکت کنندگان در این دوره بعد از تمرین و تحقیق بیشتر میتوانند مسیر مورد نظر خود در یادگیری عمیق مانند پردازش تصویر یا پردازش متن را انتخاب و پیش ببرند

نام فصل های اصلی دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch) چیست؟

فصل اول

معرفی چارچوب پایتورچ

فصل دوم

یادگیری ماشین و یادگیری عمیق در پایتورچ

فصل سوم

شبکه عصبی پیچشی (Convolutional Neural Networks)

فصل چهارم

یادگیری انتقالی (Transfer Learning)

آیا پس از شرکت در دوره و انجام تمرینات مدرک پایان دوره به من تعلق می گیرد؟

بله 🙂 پس از گذراندن کامل دوره، در صورت قبولی در آزمون پایانی مدرک معتبر پایان دوره به شما تعلق خواهد گرفت.
از آنجایی که مدرسه بیگ دیتا تحت برند یک شرکت تجاری فعالیت می کند و دارای مجوز خلاق از معاونت علمی و فناوری ریاست جمهوری است، لذا مدارک پایان دوره مدرسه بیگ دیتا معتبر می باشند.
در تصویر ذیل، نمونه مدرک پایان دوره صادر شده توسط مدرسه بیگ دیتا را ملاحظه می فرمایید.

آشنایی با مدرس دوره

تحصیلات

کارشناسی ارشد مهندسی شبکه های کامپیوتری، دانشگاه صنعتی شریف، پردیس بین الملل کیش

کارشناسی مهندسی کامپیوتر، فناوری اطلاعات، دانشگاه آزاد تهران

علاقه مندی های تحقیقاتی

یادگیری ماشین، یادگیری عمیق، بینایی ماشین، پردازش زبان طبیعی، امنیت شبکه

سوابق تدریس

دستیار پژوهشی، آزمایشگاه شبکه، دانشگاه صنعتی شریف

دستیار پژوهشی، شبکه های کامپیوتری، دانشگاه صنعتی شریف

مهارت های نرم افزاری

Python – Matlab (Elementary level) – C# (elementary level) – SQL(elementary level)

Pytorch – Pandas – Numpy – Biopython – Matplotlib – Keras

GANs – VAEs – Seq2seq Model – Text Generation – Text Classification – CNN Image Classification

Cisco Packet tracer – LATEX – WireShark – Proteus