آموزش کامل یادگیری عمیق

نوزده بخش برای سی و نه درس، یعنی هر مبحث دو سه درس فشرده دارد و هیچ چیز کش داده نمی شود. دوره از مدل خطی به عنوان ساده ترین شبکه عصبی شروع می کند و تا شبکه های مولد رقابتی و شبکه بازگشتی مدرن جلو می رود. مشتق ماتریسی هم بخش جداگانه دارد.

۰۱نوزده بخش فشرده و مسیرشان

1. معرفی مجموعه (۱ درس). می دانید این دوره بخشی از چه مسیری است
2. معرفی دوره (۱ درس). سرفصل ها را می بینید
3. مدل خطی به عنوان ساده ترین شبکه عصبی (۳ درس). از رگرسیون به شبکه عصبی پل می زنید
4. منظم سازی در یادگیری ماشین (۲ درس). از بیش برازش جلوگیری می کنید
5. روش های تصادفی بهینه سازی (۲ درس). گرادیان کاهشی تصادفی را می فهمید
6. ساده ترین شبکه عصبی چندلایه (۳ درس). پرسپترون چندلایه را می سازید
7. مشتق ماتریسی (۲ درس). ریاضی پس انتشار را می فهمید
8. چارچوب تنسورفلو (۲ درس). مدل را در تنسورفلو پیاده می کنید
9. فلسفه یادگیری عمیق (۲ درس). می دانید چرا این روش ها جواب می دهند
10. معرفی شبکه پیچشی (۲ درس). شبکه پیچشی را می شناسید
11. شبکه های پیچشی مدرن (۲ درس). معماری های امروزی را می بینید
12. کاربردهای شبکه پیچشی (۲ درس). روی مسئله تصویر به کار می برید
13. معرفی یادگیری بدون نظارت (۲ درس). مسائل بدون برچسب را می شناسید
14. خودرمزگذارها (۲ درس). بازنمایی فشرده داده می سازید
15. بردار کلمه (۲ درس). معنا را به بردار تبدیل می کنید
16. شبکه های مولد رقابتی (۳ درس). داده مصنوعی تولید می کنید
17. معرفی شبکه بازگشتی (۲ درس). داده دنباله ای را مدل می کنید
18. شبکه های بازگشتی مدرن (۳ درس). معماری های پیشرفته تر دنباله را می بینید
19. کاربردهای شبکه بازگشتی (۱ درس). روی مسئله واقعی دنباله به کار می برید

۰۲سطح دوره، حجم و زیرنویس

سطح دوره متوسط است و ۳۹ درس ویدیویی در ۱۹ بخش دارد. زیرنویس انگلیسی برای هر درس هست و در پوشه دو فایل زیرنویس به ازای هر درس گذاشته شده. فایل تمرین جداگانه ندارد.

باید پایتون، جبر خطی و حساب دیفرانسیل پایه بدانید. این دوره فشرده است و مفاهیم ریاضی را سریع رد می کند.

۰۳برای چه کسی نوشته شده

برای کسی که مبانی یادگیری ماشین را دارد و می خواهد یک مرور فشرده و ریاضی محور از یادگیری عمیق ببیند.

اگر ریاضی پایه را ندارید، سی و نه درس برای این حجم مطلب کم است و مباحث برایتان جا نمی افتد.