آموزش یادگیری ماشین

• نحوه مطالعه دوره و پیش نیازهاپیش‌نمایش5 دقیقه
• معرفی دوره و مدرس8 دقیقه
• پرسپترون21 دقیقه
• مقدمه ای بر شبکه عصبی22 دقیقه
• تابع هزینه15 دقیقه
• گرادیان کاهشی و پس انتشار خطا20 دقیقه
• جمع بندی شبکه عصبی و نرخ یادگیری29 دقیقه
• پیاده سازی در کراس و آشنایی با Softmax18 دقیقه
• الگوریتم های گرادیان کاهشی: stochastic - batch14 دقیقه
• الگوریتم های گرادیان کاهشی: mini-batch7 دقیقه
• حل مثال با TensorFlow35 دقیقه
• نقش داده معتبر در آموزش شبکه عصبی28 دقیقه
• Dropout14 دقیقه
• حل مثال IRIS23 دقیقه

• مقدمه شبکه های عصبی کانولوشنالی19 دقیقه
• چالش ImageNet14 دقیقه
• لزوم سلسله مراتب در شبکه های عصبی10 دقیقه
• آزمایش گربه هابل و ویزل9 دقیقه
• کانولوشن و فیلترها14 دقیقه
• درک عملکرد فیلتر کانولوشن10 دقیقه
• ویژگی‌های مکانی فضایی و سلسله مراتب7 دقیقه
• پدینگ15 دقیقه
• مفهوم Stride2 دقیقه
• کانولوشن روی عکس رنگی9 دقیقه
• شبکه کانولوشنال ساده8 دقیقه
• ادغام11 دقیقه
• معماری LeNet-513 دقیقه
• محاسبه تعداد پارامترها در لایه کانولوشن7 دقیقه
• پیاده سازی شبکه عصبی کانولوشنالی23 دقیقه
• ادغام میانگین سراسری10 دقیقه
• ارزیابی شبکه عصبی کانولوشنی16 دقیقه
• نرمال‌سازی دسته‌ای26 دقیقه

• داده‌های گربه و سگ و ساختاردهی آن32 دقیقه
• دانلود از Kaggle در محیط Google Colab19 دقیقه
• داده افزایی26 دقیقه
• معماری های شبکه‌های عصبی کانولوشنی5 دقیقه
• الکس نت13 دقیقه
• ZFNet12 دقیقه
• VGG18 دقیقه
• درک کانولوشن 1 در 18 دقیقه
• Inception17 دقیقه
• ResNet22 دقیقه
• مدل های از پیش آموزش دیده33 دقیقه
• بازشناسی اشیاء با وبکم26 دقیقه
• مقدمه ی انتقال یادگیری11 دقیقه
• پیاده سازی انتقال یادگیری19 دقیقه
• Overfit12 دقیقه
• Fine-tuning15 دقیقه
• بررسی tf.data و Cache51 دقیقه
• بارگیری داده های تصویر14 دقیقه
• مثال طبقه بندی گربه و سگ26 دقیقه
• نرخ های یادگیری متفاوت23 دقیقه

• مقدمه رگرسیون9 دقیقه
• مثال رگرسیون تخمین قیمت خانه25 دقیقه
• تخمین مصرف سوخت ماشین22 دقیقه
• Functional API30 دقیقه
• تخمین قیمت خانه با ویژگی های بصری16 دقیقه
• استفاده از داده ساختار یافته و بصری در شبکه عصبی7 دقیقه
• تعیین محل شئ17 دقیقه
• بازشناسی و تعیین محل اشیاء34 دقیقه

• طبقه بندی متن با دیتاست نقد فیلم1 ساعت و 9 دقیقه
• پیش پردازش8 دقیقه
• طبقه بندی متن فارسی13 دقیقه
• معیارهای ارزیابی برای داده های نامتوازن30 دقیقه
• حل مشکل داده های نامتوازن22 دقیقه
• N-gram16 دقیقه
• بردار امبدینگ کلمه17 دقیقه
• تناظرهای امبدینگ کلمه19 دقیقه
• امبدینگ کلمه در Gensim5 دقیقه
• بصری سازی بردار کلمات در دو و سه بعد13 دقیقه
• استفاده از امبدینگ از قبل آموزش داده شده29 دقیقه
• سیستم‌های توصیه‌گر و فیلتر مشارکتی38 دقیقه
• استفاده از tf.data در سیستم‌های توصیه‌گر4 دقیقه
• امبدینگ موجودیت‌ها28 دقیقه
• بهبود دقت و مقیاس‌پذیری16 دقیقه

• مقدمه ای بر شئ گرایی در پایتون19 دقیقه
• ایجاد مدل با روش Model Subclassing 5 دقیقه
• ایجاد لایه جدید با روش Model Subclassing 29 دقیقه
• مقدمه ای بر خودرمزنگارها17 دقیقه
• خودرمزنگار کانولوشنالی با Transposed convolution20 دقیقه
• خودرمرگزار کانولوشنالی با Upsampling4 دقیقه
• تشخیص ناهنجاری با خودرمزنگار18 دقیقه
• U-Net برای سگمنت کردن تصویر24 دقیقه
• پیاده سازی U-Net34 دقیقه
• شبکه عصبی مولد رقابتی (GAN)22 دقیقه
• پیاده سازی GAN24 دقیقه
• مقدمات GradientTape در تنسورفلو29 دقیقه
• آموزش DCGAN با بازنویسی تابع train_step17 دقیقه
• ترجمه تصویر به تصویر با Pix2Pix16 دقیقه
• پیاده سازی Pix2Pix1 ساعت و 4 دقیقه

• مقدمه‌ای بر داده‌های صوتی35 دقیقه
• طیف‌نگاره (Spectrogram)18 دقیقه
• طبقه بندی صوت33 دقیقه
• انتقال یادگیری با YAMNet49 دقیقه
• تشخیص خودکار پلاک خودرو58 دقیقه
• تابع خطای CTC 31 دقیقه
• بازشناسی گفتار خودکار (ASR)28 دقیقه

• تنظیم و پیدا کردن هایپرپارامتر18 دقیقه
• مقدمه ای بر ابزار Keras Tuner16 دقیقه
• هایپرپارامترهای شرطی20 دقیقه
• استقرار مدل با ONNX34 دقیقه
• استفاده از ONNX Runtime روی کارت گرافیک10 دقیقه

• روش داده‌افزایی MixUp38 دقیقه
• روش داده‌افزایی CutMix16 دقیقه
• طبقه بندی عکسهای X-ray شکستگی استخوان14 دقیقه
• طبقه بندی تصاویر نژادهای مختلف سگ14 دقیقه
• مقاله و دیتاست بزرگ گوگل (BiT)19 دقیقه
• استفاده از BiT17 دقیقه

خیر، این بسته به‌گونه‌ای طراحی شده که برای تمام علاقه‌مندان قابل فهم و استفاده باشد. تنها آشنایی مقدماتی با مفاهیم پایه برنامه‌نویسی پایتون و کلیات ریاضیات راهنمایی و دبیرستان در حد چیستی ماتریس، مفهوم مشتق، معادله خط و ... کافیست. مفاهیم پایه مورد نیاز یادگیری ماشین از ابتدا توضیح داده می‌شوند و هیچ نیازی به تجربه قبلی در یادگیری عمیق و یادگیری ماشین نیست.

بله. این آموزش کاملاً پروژه‌محور و بازارمحور طراحی شده و در آن با ابزارها و مهارت‌های واقعی صنعت (مانند TensorFlow، Keras، CNN، RNN، NLP و Deployment مدل‌ها) آشنا می‌شوید. در پایان دوره، نمونه‌کارهایی خواهید داشت که می‌توانید در رزومه یا گیت‌هاب خود قرار دهید و برای موقعیت‌های شغلی در حوزه ML Engineer و AI اقدام کنید.

هوش مصنوعی به لطف پیشرفت های سالهای اخیر مباحث متنوع و وسیعی دارد. سرفصل‌ها بر اساس نیازهای واقعی صنعت و مسیر پیشرفت مهارت یادگیری عمیق تدوین شده‌اند. از مفاهیم پایه‌ای مثل نورون و گرادیان گرفته تا مباحث پیشرفته مانند Autoencoder، GAN و پردازش زبان طبیعی، همه چیز با ساختاری منطقی و هدفمند طراحی شده تا مسیر یادگیری هم روان باشد و هم کاربردی. و در نهایت برای فردی که میخواهد وارد این دنیای بی پایان شود یک شروع قوی باشد.

بله. آموزش‌ها با جدیدترین نسخه‌های کتابخانه‌ها مانند TensorFlow و Keras ضبط شده‌اند و بر اساس سرفصل‌های مرجع دانشگاه‌های برتر دنیا مانند MIT، Stanford و DeepLearning.AI تدوین شده‌اند. همچنین نکات لازم برای سازگاری با تغییرات آینده نیز در آموزش ذکر می‌شود و کدها پس از تغییرات اندک فریم ورک به روز شده است.

کاملاً. تمام کدهای استفاده‌شده در طول دوره به‌صورت منظم در یک مخزن GitHub در اختیار شما قرار می‌گیرد. همچنین فایل‌های جانبی (مانند دیتاست‌ها، اسلایدها، یا تمرین‌ها) نیز به صورت دائمی قابل دانلود هستند. شما حتی می‌توانید پروژه‌ها را شخصی‌سازی کرده و در رزومه خود استفاده کنید.

به دلیل پیوستگی مطالب و ارجاع مدرس به مفاهیم فصل های قبل این امکان وجود ندارد. نکته دیگر در این زمینه این است که هدف اصلی تیم نماتک از تهیه این آموزش جامع، تدریس اصولی و بررسی تمام نکات حوزه های صنعتی بوده و تربیت متخصصین این حوزه اولویت اصلی ما در نماتک است. برای دسترسی به این مهم امکان تهیه فصل ها به صورت جداگانه وجود ندارد.

برای مشاهده آنلاین ویدیوها می‌توانید از هریک از سیستم‌های الکترونیکی خود، مانند انواع گوشی‌های تلفن همراه، کامپیوتر یا لپ تاپ با هر سیستم عاملی یا هر نوع تبلت و… که قابلیت اتصال به اینترنت را دارند، استفاده کنید. دسترسی به استفاده از آموزش‌ها به‌صورت آنلاین نهایتا تا یک روز کاری پس از تهیه آموزش در حساب کاربری سایت نماتک شما فعال خواهد شد. توجه داشته باشید که آموزش‌های نماتک همگی به‌شکل تک کاربره قابل استفاده هستند و فقط روی یک سیستم امکان استفاده از آن‌ها را دارید.