حالت مطالعه
کدنویسی دوره با پایتورچ
محبوب‌ترین فریمورک یادگیری عمیق دنیا
نظر دوستان شما در مورد دوره 😍😍😍
پیشنهاد هوسم برای پیش‌نیازها
گروه رفع اشکال و اخبار دوره (تلگرام)
توضیح درباره گروه
برای اطلاعات بیشتر درباره گروه کلیک کنید...
گروه Private هست. لینک را در ردیف زیر تحت عنوان “لینک گروه رفع اشکال” می‌توانید مشاهده کنید. اگر لینک کار نکرد، کافی است به شماره پشتیبانی 09025469248 در تلگرام پیام بدهید تا شما را به گروه اضافه کنند. این کار به سرعت انجام می‌شود.
لینک گروه رفع اشکال
با حضور مدرس دوره
خصوصی
بخش اول: مباحث مقدماتی یادگیری عمیق (فصل صفر تا چهار)
فصل 0: پیش‌نیازها | ⏰ 8 ساعت و 33 دقیقه
فهرست مطالب فصل صفر
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
مدت زمان |
| 1 | آموزش نصب نرم‌افزارها | 00:09:38 |
| 2 | پیش‌نیازهای یادگیری ماشین (تئوری) | 00:12:27 |
| 3 | پیش‌نیازهای ریاضیات | 00:12:05 |
| 4 | آشنایی با گوگل کولب (Google Colab) | 00:09:47 |
| 5 | آشنایی با فریمورک‌های پایتونی موردنیاز | 00:05:20 |
| 6 | سلام و احوال‌پرسی با پایتورچ! | 00:14:28 |
ضرب نقطه‌ای دمو
پیش‌نیاز بخش ریاضی
ساخت تنسور در پایتورچ دمو
پیش‌نیاز بخش پایتورچ
سایت پایتورچ دمو
پیش‌نیاز بخش پایتورچ
انواع یادگیری در یادگیری ماشین دمو
پیش‌نیاز بخش یادگیری ماشین
نصب آناکوندا دمو
پیش‌نیاز بخش نصب ابزارها
فصل 1: شبکه عصبی MLP | ⏰ مدت 7 ساعت و 50 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
مدت زمان |
| 1 | نورون مصنوعی | 00:41:30 |
| 2 | یادگیری نورون مصنوعی | 00:24:51 |
| 3 | رگرسیون با نورون مصنوعی | 00:25:50 |
| 4 | دسته‌بندی با نورون مصنوعی | 00:13:19 |
| 5 | شبکه عصبی MLP | 00:14:26 |
حل مساله XOR دمو
بخش تئوری شبکه عصبی MLP
کدنویسی گرادیان کاهشی از صفر دمو
بخش کدنویسی شبکه عصبی MLP
فصل 2: رگرسیون و دسته‌بندی با MLP | ⏰ مدت 5 ساعت و 35 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
مدت زمان |
| 1 | لایه ورودی در شبکه MLP | 00:41:30 |
| 2 | توابع فعالساز | 00:24:51 |
| 3 | رگرسیون با MLP | 00:25:50 |
| 4 | دسته‌بندی با MLP | 00:13:19 |
فصل 3: توابع اتلاف و بهینه‌سازی | ⏰ 5 ساعت و 42 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | توابع اتلاف برای رگرسیون | |
| 2 | توابع اتلاف برای دسته‌بندی | |
| 3 | سایر توابع اتلاف شناخته‌شده در یادگیری عمیق | |
| 4 | الگوریتم‌های بهینه‌سازی (مانند Adam Adagrad …) | |
| 5 | الگوریتم‌های بهینه‌سازی جدید | |
| 6 | برنامه‌ریزی نرخ یادگیری (Learning rate schedule) |
گرادیان کاهشی با نستروف مومنتوم دمو
بخش تئوری
فصل 4: مباحث ویژه در شبکه عصبی | ⏰ 3 ساعت و 34 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | محو گرادیان و انفجار گرادیان | |
| 2 | لایه ورودی و آماده‌سازی داده ورودی | |
| 3 | لایه خروجی | |
| 4 | توابع فعالساز | |
| 5 | بررسی اثر تعداد نورون‌ها و لایه‌ها | |
| 6 | نرمالیزه لایه‌ها | |
| 7 | مقداردهی اولیه وزن‌ها | |
| 8 | اورفیت و اندرفیت (Overfit & Underfit) | |
| 9 | بچ (Batch) کردن داده‌ها |
لایه ورودی در شبکه MLP دمو
بخش تئوری
دیتالودر در پایتورچ دمو
بخش کدنویسی
بخش دوم: شبکه‌های عصبی معروف (فصل پنج تا هشت)
فصل 5: شبکه عصبی کانولوشن (CNN) | ⏰ 5 ساعت و 3 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا شبکه عصبی کانولوشن؟ | |
| 2 | آشنایی با تصویر دیجیتال | |
| 3 | معماری کلی شبکه عصبی کانولوشن و همه لایه‌های آن | |
| 3-1 | لایه کانولوشن | |
| 3-2 | لایه پولینگ | |
| 3-3 | لایه نرمالیزه | |
| 3-4 | لایه فعالساز | |
| 3-5 | لایه فولی‌کانکتد | |
| 4 | نکات فنی و تجربی درباره شبکه عصبی کانولوشن |
آشنایی با شبکه CNN دمو
بخش تئوری
فصل 6: شبکه عصبی بازگشتی (RNN) | ⏰ 7 ساعت و 54 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا شبکه‌های بازگشتی؟ | |
| 2 | شبکه بازگشتی RNN | |
| 3 | فرآیند آموزش شبکه بازگشتی | |
| 4 | ضعف‌های شبکه بازگشتی | |
| 5 | شبکه بازگشتی LSTM | |
| 6 | شبکه بازگشتی GRU | |
| 7 | انواع معماری در شبکه‌های بازگشتی | |
| 8 | اتنشن در شبکه‌های بازگشتی | |
| 9 | نکات فنی و پایانی درباره شبکه‌های بازگشتی |
فصل 7: شبکه ترنسفورمر (Transformer) | ⏰ 5 ساعت و 10 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا ترنسفورمر؟ | |
| 2 | معماری شبکه ترنسفورمر | |
| 3 | ترنسفورمر شبکه‌ای برای تمام فصول! | |
| 4 | ترنسفورمر و دستاوردهایش | |
| 5 | معایب ترنسفورمر | |
| 6 | نکات فنی و پایانی درباره ترنسفورمر |
فصل 8: شبکه عصبی GAN | ⏰ مدت 5 ساعت و 34 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا شبکه‌های مولد؟ | |
| 2 | معماری شبکه اتوانکدر (Autoencoder) | |
| 3 | معماری شبکه GAN | |
| 4 | کاربرد GAN در انواع داده‌ها | |
| 5 | ضعف‌های شبکه GAN |
کدنویسی شبکه Generator دمو
بخش کدنویسی
بخش سوم: یادگیری عمیق در حوزه‌های مختلف (فصل 9 تا آخر)
فصل 9: روش‌های مدرن یادگیری | ⏰ 3 ساعت و 26 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا روش‌های جدیدی در یادگیری داریم؟ | |
| 2 | یادگیری انتقالی (Transfer learning) | |
| 3 | یادگیری گروهی (Ensemble learning) | |
| 4 | Multi-Task learning | |
| 5 | تقطیر دانش (Knowledge Distillation) | |
| 6 | Metric learning | |
| 7 | Multimodal learning |
فصل 10: یادگیری عمیق در بینایی کامپیوتر | ⏰ 6 ساعت و 46 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | آشنایی با بینایی کامپیوتر | |
| 2 | آشنایی با انواع داده‌ها در بینایی کامپیوتر | |
| 3 | شبکه‌های عصبی محبوب در بینایی کامپیوتر | |
| 4 | تسک‌های معروف در بینایی کامپیوتر (دسته‌بندی، دیتکشن و سگمنت) | |
| 5 | یادگیری عمیق در دسته‌بندی تصاویر | |
| 6 | یادگیری عمیق در دیتکشن | |
| 7 | یادگیری عمیق در سگمنت |
فصل 11: یادگیری عمیق در پردازش زبان طبیعی | ⏰ 6 ساعت و 24 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | آشنایی با پردازش زبان طبیعی | |
| 2 | آشنایی با متن و نحوه پردازش اولیه آن | |
| 3 | شبکه‌های عصبی محبوب در پردازش زبان طبیعی | |
| 4 | تسک‌های معروف در پردازش زبان طبیعی (دسته‌بندی، مدل زبان و ترجمه ماشینی) | |
| 5 | یادگیری عمیق در دسته‌بندی متن | |
| 6 | یادگیری عمیق در مدل زبانی | |
| 7 | یادگیری عمیق در ترجمه ماشینی |
فصل 12: یادگیری عمیق در پردازش صوت | ⏰ 5 ساعت و 26 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | آشنایی با پردازش صوت | |
| 2 | صوت و پردازش‌های اولیه آن | |
| 3 | شبکه‌های عصبی محبوب در پردازش صوت | |
| 4 | تسک‌های معروف در پردازش صوت (دسته‌بندی، audio separation و speech to text) | |
| 5 | یادگیری عمیق در دسته‌بندی صوت | |
| 6 | یادگیری عمیق در audio separation | |
| 7 | یادگیری عمیق در speech to text |
فصل 13: شبکه عصبی گرافی (GNN) | ⏰ 3 ساعت و 57 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا شبکه GNN؟ | |
| 2 | آشنایی با داده‌های بدون ساختار منظم | |
| 3 | تشریح ساختار گراف و اجزای مختلف آن | |
| 4 | معماری شبکه‌های GNN | |
| 5 | معماری شبکه‌های گراف کانولوشن (GCN) | |
| 6 | نکات پایانی درباره شبکه GNN |
رهیافت Message Passing دمو
بخش تئوری
پشتیبانی هوسم همواره مورد تحسین دانشجویان بوده است.
این دوره برای چه کسانی مناسب است؟
- دانشجویان رشته‌های مهندسی و علوم پایه
- دانشجویان مقطع کارشناسی ارشد و دکترا
- افرادی که می‌خواهند اصولی یاد بگیرند! (یادگیری عمیق صرفا ()model.fit نیست)
- افراد صبور، پرتلاش و بابرنامه
این دوره برای چه کسانی مناسب نیست؟
- افرادی که زمان و حوصله کافی برای دنبال کردن دوره را ندارند.
- عزیزانی که فکر می‌کنند به همه مباحث تدریس‌شده تسلط دارند.
- کسانی که دنبال آموزش فست‌فودی هستند.
- دوستانی که فکر می‌کنند تئوری، ریاضیات و مفاهیم در یادگیری عمیق مهم نیست.
** توجه **
این دوره بر بستر اسپات پلیر عرضه می‌شود. حتما پست زیر را مطالعه فرمایید:
آیا می‌توان این دوره را اشتراکی تهیه کرد؟
مجموعه هوسم از تهیه اشتراکی دوره‌ها راضی نیست.
دوره مثال و تمرین دارد؟
بله، تمرین و مثال با جواب داریم.
نحوه دسترسی به دوره آموزشی؟
آموزش بر بستر نرم‌افزار spotplayer در اختیار شما قرار می‌گیرد.
آیا می‌توانم بعد اینکه دوره را دیدم، این دوره را بفروشم؟
خیر!
آیا امکان خرید یک یا چند فصل وجود دارد؟
خیر، به هیچ وجه.
آیا می‌توانم سوالاتی که از پروژه شخصی خودم دارم در گروه پشتیبانی بپرسم؟
خیر، پشتیبانی ما محدود به سوالات مربوط به محتوای دوره‌ها است. وظیفه ما این است که به سوالات شما در رابطه با درس‌ها، تمرین‌ها و مفاهیم دوره پاسخ دهیم. پرسیدن سوالاتی خارج از این محدوده، مانند پروژه‌های شخصی، خارج از چارچوب پشتیبانی ما است. این قوانین برای حفظ کیفیت و تمرکز بر ارائه بهترین تجربه آموزشی برای همه دانشجویان تدوین شده‌اند.
دوره یادگیری عمیق هوسم
دوره های مرتبط
دیپ کاتالیست: دوره افزایش مهارت
جدول خلاصه اطلاعات دوره نوع دوره آفلاین پیش‌نیاز دوره یادگیری عمیق و پایتورچ روش دریافت اسپات‌پلیر (اطلاعات بیشتر) سیستم‌عامل‌های تحت…
255
2,900,000 تومان
پایتون برای هوش مصنوعی 🤖
جدول خلاصه اطلاعات دوره نوع دوره آفلاین پیش‌نیاز دوره - روش دریافت اسپات‌پلیر (اطلاعات بیشتر) سیستم‌عامل‌های تحت پشتیبانی: ویندوز مک…
430
490,000 تومان
یادگیری ماشین جامع: از مفاهیم تا پیاده‌سازی🔥
جدول خلاصه اطلاعات دوره نوع دوره آفلاین پیش‌نیاز دوره پایتون روش دریافت اسپات‌پلیر (اطلاعات بیشتر) سیستم‌عامل‌های تحت پشتیبانی: ویندوز مک…
549
2,900,000 تومان
chat_bubble_outlineنظرات
قوانین ثبت دیدگاه
- دیدگاه‌های فینگلیش تایید نخواهند شد.
- دیدگاه‌های نامرتبط با موضوع تایید نخواهند شد.
- از درج دیدگاه‌های تکراری پرهیز نمایید.
- امتیاز دادن به دوره فقط مخصوص دانشجویان دوره است.
khosro_khan( دانشجوی دوره )
بنده زمانی که میخواستم وارد بحث ماشین لرنینگ بشم از چند جا فیلم های آموزش خریداری کردم و حتی یه دوره در یکی از آموزشگا ههای معروف تهران رفتم ولی آموزش های هوسم خیلی خیلی خیلی خوبن . عالی . قدرت بیان و انتقال مفاهیم و تسلط به تمامی موضوعات رو میشه احساس کرد . و علاوه بر این ها هزینه کاملا مناسبی هم داره .
AmirMadan( دانشجوی دوره )
عالی! من دوره های زیادی از یادگیری عمیق دیدم. چه فارسی و چه انگلیسی (سایت coursera). واقعا این دوره با اختلاف زیادی از همه اون دوره هایی که دیده بودم بهتره. با قطعیت میشه گفت که هر فردی با گذروندن این دوره به درک عمیقی از یادگیری عمیق میرسه.
هوسم
سلام
خوشحالیم که این دوره برای شما مفید بوده و در درک عمیق‌تر مطالب کمکتون کرده.
از شما بابت به اشتراک گذاشتن نظرتون بسیار ممنونیم.
مهرداد خ
سلام ، ایا دوره پایتورچ نسخه دو هست ؟ در کل چند ساعت اموزش هست؟
هوسم
سلام
کل دوره 83 ساعت آموزش هست.
دوره با پایتورچ 1 تدریس شده. اما ذکر چند نکته لازم هست: 1) پایتورچ 1 و 2 در کدنویسی تفاوتی ندارن. بنابراین، کدهای نوشته شده با پایتورچ 1، با پایتورچ 2 هم اجرا میشن. 2) عمده تغییرات در پایتورچ 2 متمرکز بر افزایش سرعت و دولوپ هست. بنابراین، جز موارد ضروری برای شروع محسوب نمیشن. هرچند همونطور که گفته شد، شما میتونید کدهای این دوره رو هم روی پایتورچ 1 و هم 2 اجرا کنید.
Erfan( دانشجوی دوره )
سلام ببخشید تحلیل سری های زمانی هم
تو مبحث RNN آموزش داده شده ؟
هوسم
سلام
پروژه فصل RNN داده سری زمانی هست.
اما تمرکز روی آموزش داده‌های سری زمانی نبوده و صرفا به عنوان یک نوع داده استفاده شده.
علی زارع
میشه گفت بهترن دوره فارسی زبان و حتی انگلیسی زبان برای شروع یادگیری عمیق است، من که به همه پیشنهاد میدم که با این دوره عمیق مطالب رو یاد بگیرند
behnam.y2010( دانشجوی دوره )
من دوره یادگیری عمیق قبلی رم شرکت کرده بودم راضی بودم تو گروه قبلی بودم
واقعا از دوره جدید خیلی لذت بردم، با اینکه به مباحث آشنا بودم ولی انقدر جذاب ارایه شده بود که واسم سرگرمی شده بود که مطالبو ببینم
به خیلیا پیشنهاد داده ام که از دوره های شما استفاده کنند خودمم تو دانشگاه تدریس میکنم به دانشجوهام معرفی میکنم که واسه سورس فارسی بهترین منابع سایت هوسم هستش و حتی از مطالب وبلاگ سر کلاس استفاده میکنم
دوره انقدر کامل و جامع بود که واسه من سوالی پیش نیومد ولی رسیدم آخراش nlp و gnn، اینطوری بودم که اینا چرا کامل کامل نیست، بعد به خودم گفتم که اینا خودشون یه کورس جدا اند و چقدر توقعم رفته بالا که همه چی باید کامل باشه ولی واسه آشنایی و ورود خیلی خوب بودند
ولی دوست دارم واسه این فصل های آخرم یه کورس جدا و کاملی تهیه کنید.
در کل خداقوت
من واقعا طول این مدت لذت بردم و خیلی یاد گرفتم
آریا
با سلام
ممنون بابت دوره های خیلی خوبی که قرار میدهید
من درخواستی که دارم این است لطفا امکان خرید هر فصل به صورت جدا رو قرار بدهید چون من دوره قبلی رو خریدم و چون زمان زیادی ندارم فقط مایل بودم فصول جدید رو داشته باشم
هوسم
سلام آریا عزیز،
امکان تهیه تک‌فصل از یک دوره جامع در برنامه هوسم نیست.
از حسن نظر شما نسبت به هوسم بسیار ممنون و خوشحالیم.
🙏🌹
alikermani( دانشجوی دوره )
کرمانی هستم کارشناسی ارشد هوش مصنوعی از دانشگاه امام حسین(ع) و دانشجوی این دوره. کیفیت و عمق مطالب ارائه شده در این دوره به همراه تسلط و بیان خیلی خوب مدرس از مزایای این دوره هست که پیشنهاد میکنم حتما تهیه کنید که ارزشش رو داره.
محمد م
سلام وقتتون بخیر
امیدوارم که حالتون خوب باشه
دوره کامل شده؟ اگر نشده، تا کدوم فصل در حال حاضر، دوره کامل شده؟
خیلی ممنون.
هوسم
سلام محمد عزیز،
این دوره کامل شده و شامل 81 ساعت آموزش هست.
بعد از تهیه آموزش، کل آموزش در دسترس شماست.
گروه رفع اشکال هم فعال هست.
مریم
سلام.لطفا دیفیوژن مدل رو هم اضافه کنید در آموزش ها
سپهر
سلام
یکی از باکیفیت ترین آموزش هایی بود که من تابحال دیده ام من از مدرس بسیار تشکر میکنم چون با این که سن بسیار پایینی نسبت به این مبحث دارم ولی خیلی خوب مطلب رو گرفتم من برای یادگیری عمیق آموزش های بسیاری خریداری کرده ام اما این آموزش بسیار بسیار متفاوت هست.
امیدوارم آموزش های بیشتری برای انواع شبکه های عصبی بدهید
گلنوش شریفی( دانشجوی دوره )
سلام وقت بخیر
در مورد latent semantic indexing (LSI) در NLP جایی توضیحی دادید؟ من یادگیری عمیق رو ثبت نام کردم ولی توضیحی در موردش ندیدم.
هوسم
سلام
خیر، در فصل یادگیری عمیق در NLP درمورد LSI توضیح ندادیم. از ابتدا جز سیلابس درسی دوره نبود. در فصل NLP، درمورد مباحث مقدماتی و مهم NLP برای شروع صحبت شده.
علی( دانشجوی دوره )
سلام
اول بابت سایت بسیار خوبتون بسیار ممنون جز معدود سایت های فارسی هست که بنده دنبال میکنم دمتون گرم امیدوارم با همین قدرت و کیفیت همشیه پایدار و برقرار باشین
اما مسئله ای که هست کاش امکان ثبت نام و دانلود چند فصل دوره هم مهیا باشه چون من ممکنه کل دوره نیاز نباشه به عنوان مثال بنده خودم فصل های 5 تا 7 رو فقط نیاز دارم البته اگر فصل 5 مباجث LSTM و GRU رو هم پوشش داده باشه
بازم سپاس بابت سایت خوبتون
سارا پویان( دانشجوی دوره )
سلام 🙂
هیچ وقت فکر نمی کردم بتونم دوره ای پیدا کنم که این حجم از مطالب رو ارائه بدهند. دوره ی یادگیری عمیق هوسم، باعث شد که باانگیزه بیشتر و مشتاقانه هدفم رو دنبال کنم. ☺️
حجم مطالب ارائه شده و کیفیت محتوا نشان دهنده ی زحمات استاد اشرفی و تیمشون هست. تسلط استاد در طبقه بندی محتوا و ارائه مطالب با بیانی شیوا، ارزش دوره رو چندین برابر کرده. رهنمودها و پاسخگویی های استاد هم، در گروه پشتیبانی بسیار ارزشمند هست. تصحیح به موقع و دقیق تمرین های آخر هر فصل، بسیار کمک کننده ست.
درآخر هم بخاطر تولید محتوای ارزشمند و باکیفیتی که در اختیار ما قرار داده اید، بسیار سپاسگزارم و از خداوند توفیق روزافزون براتون خواستارم. 🙏 🌹
فرمیسک( دانشجوی دوره )
استاد تو فصلای این دوره کاش در مورد spatio temporal convolutional neural networks ها هم آموزش داده میشد
vaghefi( دانشجوی دوره )
سلام دوست عزیز وقت بخیر
من یک دوره ی دیگه ی دارم که اونم با نرم افزار اسپات‌پلیر هست خواستم بپرسم استفاده همزمان دو دوره وجود داره و روی هم تاثیر منفی ندارند یا اینکه امکان دسترسی به ویدئوها به روش دیگه ممکن هست.
ممنون
هوسم
سلام
شما میتونید همزمان چند دوره در اسپات داشته باشید (حتی از موسسه‌های مختلف). ویژگی مثبتش هم این هست که همه دوره‌ها در یک نرم‌افزار بالا میاد.
fardin
سلام
ای کاش از هر فصل یه دمو کوتاه قرار میدادید. تا بهتر بشه در مورد آموزش نظر داد.
هوسم
سلام
در بخش فهرست مطالب، دموهای زیادی وجود داره که میتونید مشاهده کنید.
سید محمد رضا میرطاهری
سلام وقتتون بخیر ، بنده عناوین اون دوره یادگیری عمیق که حدودا 50 ساعت بود رو مشاهده کردم میخواستم بپرسم :
1 . این دوره رو لازمه ببینم و چه تفاوت هایی با دوره مذکور داره.
2 . این دوره کی تموم میشه حدودا چون میخام بصورت افلاین ببینم.
هوسم
سلام
1- مطالب این دوره بیشتر و جدیدتر از دوره یادگیری عمیق قبلی هست.
2- این دوره سرفصل‌های بیشتری نسبت به قبلی داره. مثل شبکه ترنسفورمر، شبکه گرافی، یادگیری عمیق در بینایی کامپیوتر، پردازش صوت و پردازش متن. حتی در فصل‌های مشترک مثل شبکه MLP، این دوره بهتر از قبلی هست. انشالله به زودی دمو اضافه می‌کنیم. همچنین، این دوره از لحاظ کیفی (صوتی و تصویری) بسیار بهتر از قبلی هست.
3- اگر دوره قبلی رو تهیه کردید و مطالب رو فرا گرفتید، الزامی به شرکت در این دوره نیست.
4- به اندازه هزینه‌ای که برای دوره قبلی کردید، میتونید تخفیف دریافت کنید.
5- این دوره حدودا اواخر مهر 1401 به اتمام میرسه.
6- تا تاریخ 14 مرداد 1401، حدود 21 ساعت آموزش و سه سری تمرین در اختیار دانشجویان قرار گرفته.
سید محمد رضا میرطاهری
خیلی ممنون از توضیحات کاملتون.
ایمان
باسلام و وقت بخیر امکان افزایش ظرفیت برای ثبت نام وجود‌دارد؟باتشکر
Fatima( دانشجوی دوره )
سلام
من دوره قبلی رو تهیه کردم. میخواستم بدونم این دوره رو هم لازمه تهیه کنم؟
و اینکه از چه زمانی آموزش شروع میشه
هوسم
سلام
خیر، الزامی وجود نداره این دوره رو هم تهیه کنید. این دوره، نسبت به دوره قبلی کیفیت بهتر و سرفصل‌های بیشتری داره. میتونید براساس توضیحات در متن و ویدئوی همین صفحه تصمیم بگیرید.
اما اگر خواستید ثبت‌نام کنید، میتونید به اندازه هزینه‌ای که برای دوره یادگیری عمیق قبلی کردید، تخفیف دریافت کنید.
دوره از چهارشنبه 15 تیر شروع میشه.
tinasefati( دانشجوی دوره )
سلام. من دوره قبلی رو تهیه کردم و الان میخوام این دوره رو هم به صورت آفلاین بخرم.
تخفیفی که میفرمایید رو چطوری باید اعمال کنم؟
هوسم
سلام
لطفا از طریق بخش چت آنلاین (آیکون آبی در پایین سمت راست) به ما پیام بدید تا کد تخفیف برای شما ارسال کنیم.