آموزش یادگیری عمیق رایگان

به‌نام خدا، سلام… با معرفی مجموعه آموزش یادگیری عمیق رایگان از آکادمی هوش مصنوعی هوسم در خدمت شما هستیم. این مجموعه آموزشی، با هدف دسترسی رایگان علاقه‌مندان به مهم‌ترین مباحث یادگیری عمیق آماده شده است. این پست به معرفی اجمالی دوره آموزش یادگیری عمیق هوسم اختصاص دارد. با هوسم همراه باشید…

آشنایی با دوره یادگیری عمیق رایگان هوسم

در این بخش می‌خواهیم کمی شما را با دوره یادگیری عمیق رایگان هوسم آشنا کنیم. درهمین ابتدا بهتر است دست‌ها را بالا ببریم و بگوییم که این بهترین دوره یادگیری عمیق نیست! یادگیری عمیق پیچیده است و مشکل! برخلاف تصور بسیاری از افراد که تصور می‌کنند یادگیری عمیق کار را بسیار راحت کرده است. مثلا چنین جملاتی را شنیده‌ایم:

دیپ لرنینگ ساده هست، کافی است یک عالمه داده به شبکه بدهید تا به‌راحتی آموزش ببینید.

اگر شما یک دانشجو یا محقق هستید که می‌خواهید یک کار جدید (پایان‌نامه یا مقاله) با یادگیری عمیق انجام دهید، بدانید که جمله بالا برای شما سم است. یادگیری عمیق به دانشِ تئوری، کدنویسی و حتی سخت‌افزار قوی نیاز دارد. اما نکته مثبت آنجاست که آنقدر شرایط مناسب فراهم است که با یک برنامه منظم به‌سرعت پیشرفت می‌کنید. ما تلاش کرده‌ایم مباحث را روان و ساده توضیح دهیم. نیازی ندیدیم که تمام جزئیات یک الگوریتم یا شبکه عصبی در این مجموعه آموزش یادگیری عمیق رایگان گفته شود. چون مباحث سنگین و درکش مشکل می‌شود. اگر بتوانیم یک آشنایی اولیه در تئوری و کدنویسی یادگیری عمیق برای شما ایجاد کنیم، یعنی موفق بوده‌ایم.

تعریف یادگیری عمیق

یادگیری عمیق عموما به شبکه های عصبی عمیق اشاره دارد که شامل لایه‌ها و پارامترهای یادگیری زیادی هستند. این شبکه‌ها معمولا با استفاده از تکنیک پس انتشار خطا آموزش می‌بینند. بنابراین، واژه Deep در Deep Learning اشاره به شبکه عصبی با لایه‌های متعدد دارد. این همان تعریف ساده‌ای است که آقای Yann Lecun در کورس یادگیری عمیق خود مطرح کرده‌اند.

بازهم از توضیحات آقای Yann Lecun بهره می‌گیریم تا به شروع عصر یادگیری عمیق اشاره کنیم. برخلاف تصور عموم، عصر یادگیری عمیق از ImageNet و شبکه AlexNet در سال 2012 شروع نشد! بلکه در سال 2010، در زمینه Speech Recognition بود که یادگیری عمیق مطرح شد. شبکه‌ای ساخته شد که به‌سرعت بعد از آن در بسیاری از کاربردها مانند گوشی‌های هوشمند وارد شد. بسیار خب، همین توضیح کوتاه کافی است. اگر دوست دارید بیشتر در مورد مفهوم یادگیری عمیق و کاربردهایش بدانید، اولین جلسه از آموزش یادگیری عمیق رایگان یعنی یادگیری عمیق چیست را مطالعه کنید.

پیش‌نیاز آموزش یادگیری عمیق رایگان هوسم

برای شروع یادگیری عمیق، ریاضیات و کدنویسی پایتون، دو پیش‌نیاز ضروری هستند. شما باید جبر خطی، حساب و آمار و احتمال را در حد ریاضیات دبیرستان بدانید. همچنین باید به کدنویسی پایتون مسلط باشید. توصیه ما به علاقمندان یادگیری عمیق این است که در صورتی که زمان کافی دارند، حتما ابتدا یادگیری ماشین را بگذرانند و سپس به سراغ یادگیری عمیق بروند.

ما برای یادگیری ماشین هم یک دوره رایگان داریم. آموزش یادگیری ماشین رایگان هوسم، یک دوره متن-محور بوده و شامل 11 جلسه است. پیشنهاد می‌کنیم حتما حداقل پنج جلسه اول این دوره را مطالعه کنید.

آموزش یادگیری ماشین رایگان

فهرست مطالب دوره آموزش یادگیری عمیق رایگان هوسم

فهرست مطالب دوره آموزش یادگیری عمیق رایگان هوسم در ادامه آمده است. ما تعداد این جلسات را محدود نکرده‌ایم. چون تصمیم داریم، کم‌کم به مطالب این دوره اضافه کنیم.

دوره آموزش یادگیری عمیق رایگان

در بخش قبل فهرست جلسات منتشرشده از دوره یادگیری عمیق هوسم معرفی شد. درادامه، مختصری درباره هریک از جلسات توضیح داده شده است. هدف از این بخش، ایجاد یک آشنایی اولیه با دوره است. مطالعه این بخش اختیاری است و می‌توانید بلافاصله مطالعه جلسات را طبق فهرست مطالب آغاز کنند.

پیشنهاد می‌شود جلسات را همراه با نت‌برداری مطالعه کنید. طبیعتا یادگیری عمیق هست و یک عالمه شکل و فرمول، بنابراین بهتر است یادداشت‌برداری کنید تا مطالعه‌تان موثرتر واقع شود. همچنین، بخش‌های کدنویسی را تمرین کنید. چون علاوه‌بر بالاتر رفتن سطح دانش کدنویسی در یادگیری عمیق، میزان درک شما در مباحث تئوری یادگیری عمیق افزایش می‌یابد.

جلسه 00: یادگیری عمیق چیست

در جلسه صفر از این آموزش به یک سوال مهم جواب دادیم، یادگیری عمیق چیست؟ در این جلسه گفته شده که یادگیری عمیق یکی از زیرمجموعه‌های هوش‌مصنوعی و یادگیری ماشین است. تعریف یادگیری عمیق از دید پدرخوانده هوش‌مصنوعی، جفری هینتون، آورده شده است. همچنین اهمیت دیتاست و سخت‌افزار در یادگیری عمیق مورد بررسی قرار گرفته است. در پایان هم شبکه‌های یادگیری عمیق با یک الگوریتم یادگیری عمیق کلاسیک مثل SVM مقایسه شده‌اند. برای مطالعه این جلسه، روی گزینه زیر کلیک کنید:

جلسه 00: یادگیری عمیق چیست

جلسه 01: ساختار نورون مصنوعی

در اولین جلسه از آموزش یادگیری عمیق رایگان هوسم، با ساختار نورون مصنوعی آشنا خواهید شد. نورون مصنوعی ساده شده یک نورون طبیعی در مغز انسان است. برهمین اساس، در این جلسه ابتدا درباره نورون طبیعی توضیح می‌دهیم. سپس، نورون مصنوعی را معرفی خواهیم کرد. یک مقایسه جزبه‌جز بین نورون مصنوعی و طبیعی انجام خواهیم داد. یکی از بخش‌های مهم در نورون مصنوعی، تابع فعالسازی یا تابع تحریک است. درباره آنها هم در این جلسه توضیح داده‌ایم و به تعدادی از پرکاربردترین توابع فعالسازی مانند ReLU Tanh Sigmoid اشاره کرده‌ایم. سعی کرده‌ایم در طول جلسه، به روابط ریاضی اهمیت دهیم و آنها را به ساده‌ترین شکل ممکن به شما توضیح دهیم. پس خلاصه جلسه اول به قرار زیر است:

• ساختار نورون طبیعی
• ساختار نورون مصنوعی
• مقایسه نورون طبیعی و مصنوعی
• تابع فعالسازی در نورون مصنوعی
• بایاس در نورون مصنوعی
• مدل ریاضی نورون مصنوعی

برای مطالعه جلسه اول، بر روی گزینه زیر کلیک کنید…

جلسه 01: ساختار نورون مصنوعی

جلسه 02: یادگیری نورون مصنوعی

بعد از آشنایی با ساختار نورون مصنوعی و پارامترهای آن در جلسه اول، نوبت به این می‌رسد که با نحوه یادگیری نورون مصنوعی آشنا شوید. فرآیند یادگیری نورون مصنوعی شبیه به یک سیستم فیدبک‌دار است. در جلسه یادگیری نورون مصنوعی، با مفاهیم جدید به‌نام الگوریتم بهینه سازی، پس انتشار خطا، تابع اتلاف و گرادیان کاهشی آشنا خواهید شد. این مفاهیم در یادگیری نورون مصنوعی نقش کلیدی دارند. سعی کرده‌ایم تمامی بخش‌های جلسه دوم را همراه با مثال عددی پیش ببریم. مثال عددی به شما کمک می‌کند که کامل با فرآیند آموزش نورون آشنا شوید. به شما پیشنهاد می‌کنیم، حین مطالعه جلسه دوم حتما روی کاغذ تمامی محاسبات را انجام دهید تا برای شما مفاهیم جا بیفتد. به‌صورت خلاصه، جلسه دوم آموزش یادگیری عمیق رایگان شامل بخش‌های زیر است:

• تابع اتلاف، تابع هزینه یا تابع هدف در شبکه عصبی
• الگوریتم بهینه سازی در شبکه عصبی
• نرخ یادگیری و اهمیت آن در شبکه عصبی
• مثال عددی آموزش نورون مصنوعی

برای مطالعه جلسه دوم، بر روی گزینه زیر کلیک کنید…

جلسه 02: یادگیری نورون مصنوعی

جلسه 03: شبکه عصبی mlp

در این جلسه شبکه پرسپترون چند لایه معرفی شده است. minsky و Papert یک کتاب به اسم Perceptrons نوشتند و حسابی از خجالت پرسپترون درآمدند. یکی از ایرادهایی که به پرسپترون وارد شد این بود که نمی‌تواند مساله xor را حل کند. در این جلسه نشان داده شد که این مساله با یک شبکه عصبی پرسپترون چندلایه قابل حل است.

همچنین در این جلسه، یک الگوریتم بسیار مهم به نام الگوریتم پس انتشار خطا (Back Propagation) معرفی شده است. این الگوریتم، یک تکنیک بهینه برای گرادیان‌گیری در مسیر backward شبکه ارائه کرده است. یک مثال عددی هم برای این الگوریتم آورده شده که به درک آن کمک می‌کند.

شبکه عصبی mlp

جلسه 04:

هدف از این پست، تنها معرفی دوره آموزش یادگیری عمیق رایگان هوسم بود. این صفحه را می‌توانید بوکمارک کنید تا همواره به لیست جلسات دوره دسترسی داشته باشید. این دوره کم‌کم کامل می‎‌شود. بنابراین، لطفا در کامنت پیشنهادهایی برای تکمیل شدن دوره ارائه دهید و هم نظرتان را درباره کیفیت محتوای دوره با ما در میان بگذارید. راه دراز است و هوسم در ابتدای راه است…