برای دیدن دوره های ما کلیک کنید...

دوره یادگیری عمیق

Machine lerning
دسترسی آنی
تضمین کیفیت
بازگشت وجه
تقویم آموزشی
فصل یک تا پنج
1 شهریور 1401الی1 آبان 1402
سوالات متداول

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟

خیر؛ شما با حضور در دوره می توانید به محتوای آموزشی آن دسترسی داشته باشید. اما گواهی نامه دوره به نام شما زمانی صادر خواهد شد که در آزمون تعیین شده نمره قبولی را دریافت نمایید.

حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟

برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان تهیه دوره توسط شما تنها در آن مدت دانش پژوه از دسترسی به دوره، پشتیبانی و دریافت گواهی نامه بهره مند خواهد بود.

در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟

خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد.

پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟

بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره فقط به مدت 14 ماه دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید.
قوانین و مزایای استفاده

خرید محصول توسط کلیه کارت های شتاب امکان پذیر است و بلافاصله پس از خرید، ویدئوهای دوره ها در پروفایل شما قرار خواهد گرفت و هر گونه فروش در سایت های دیگر قابل پیگیری خواهد بود.

  • دسترسی به ویدئو دوره ها در پروفایل خود
  • تضمین کیفیت آموزش ها
  • فعال‌سازی آنی ویدئوهای دوره ها
  • به صورت رایگان یک یا چند آموزش را دریافت می کنید.

دوره آموزش مبانی یادگیری عمیق (با تنسورفلو و کراس) برای معماران و شهرسازان؟

دوره آموزش یادگیری عمیق با تنسورفلو و کراس برای معماران و شهرسازان که به صورت ویژه به آموزش کاربردی یادگیری عمیق و تمام مباحث مربوط به کتابخانه‌­های تنسورفلو و کراس در صنعت ساختمان خواهد پرداخت و به طور مشخص‌تر موضوعاتی که  مرتبط با صنعت ساختمان و هوش مصنوعی است در این دوره دنبال می‌شود شامل موارد زیر است:

 

مباحث پیاده‌سازی شبکه‌های عصبی (یادگیری عمیق) در پایتون با رویکرد داده های معماری

پیاده‌سازی شبکه‌های با رویکرد داده های معماری

Multi-layer perceptron (MLP) و Convolutional

بحث و بررسی در رابطه با موضوعات گوناگون یادگیری عمیق در صنعت ساختمان

Transfer learning و Overfitting و underfitting و Regularization

آشنایی با یادگیری عمیق، تنسورفلو و کراس برای معماران و شهرسازان

تعریف کلی یادگیری عمیق را می توان این گونه بیان نمود که یکی از شاخه‌های یادگیری ماشین (عمیق) و هوش مصنوعی است که در آن تلاش می گردد از روش عملکرد مغز برای یادگیری توسط ماشین با موضوعات گوناگون استفاده می شود. در واقع در یادگیری عمیق به ماشین ها می توان آموزش داد که برای حل مسائل گوناگون از روش‌هایی که مغز انسان برای حل مسائل از آن روش‌ها پیروی می کنند، استفاده نماید. به طور کلی یادگیری عمیق به شبیه‌سازی مغز انسان بپردازد.

 

تنسورفلو (TensorFlow)، یک کتابخانه رایگان و متن باز است که یکی از اصلی ترین ابزارهای در یادگیری عمیق است. یکی از اصلی‌ترین کاربردهای کتابخانه تنسورفلو در پیاده‌سازی شبکه‌های عصبی عمیق است. به همین دلیل استفاده از این کتابخانه در یادگیری عمیق بسیار زیاد است. در واقع کراس یک کتابخانه در تنسورفلو است که با هدف توسعه شبکه‌های عصبی عمیق ایجاد شده است.

 

هدف از برگزاری دوره آموزش یادگیری عمیق با تنسورفلو و کراس برای معماران شهرسازان چیست؟

استفاده گسترده از الگوریتم های یادگیری عمیق در بسیاری از صنایع در حال رشد است. از صنعت حمل و نقل تا گردشگری و پزشکی به نحوی که هر فرآیند مرتبط با هوشمندی باشد از یادگیری عمیق یا مغز محاسباتی در آن علم و تکنولوژی استفاده می شود. به همین دلیل است که در دنیایی از صنایع مختلف تا تکنولوژی‌های گوناگون، تقریبا هیچ موردی را نمی‌توان پیدا کرد که در آن ردپایی از یادگیری عمیق دیده نشود. به این ترتیب، اصلی‌ترین هدف این دوره آموزش کاربردی یادگیری عمیق در صنعت ساختمان است تا دانش پژوهان بتوانند از این  تکنولوژی در دانش معماری و شهرسازی استفاده نمایند.

در این دوره دانش پژوهان با ابزارهای بسیار مهم یادگیری عمیق به صورت عملیاتی و کاربردی آشنا می شوند و جزئیات لازم برای پیاده‌سازی این الگوریتم‌ها در فرایندهای مرتبط با صنعت ساختمان را فراگیری می نمایند.

 

دوره آموزش یادگیری عمیق برای معماران و شهرسازان با تنسورفلو و کراس برای چه افرادی مناسب است؟

محتوای این دوره مناسب افرادی است که دوره یادگیری ماشین را گذرانده‌اند و با مبانی و اصول هوش مصنوعی آشنایی دارند و به دنبال ایجاد تغییرات در زمینه های شغلی خود هستند. در واقع این دوره ترکیب آموزش مبانی تئوری و عملی در کنار یکدیگر است، دانش پژوهان این دوره می توانند مسائل دنیای واقعی صنعت ساختمان را مثل پردازش تصویر، پردازش زبان، تولید تصاویر و پیش‌بینی‌های دنباله‌های عددی را انجام دهند. بنابراین این دوره مناسب متخصصینی خواهند بود که علاقه‌مند به مباحث یادگیری عمیق و هوش مصنوعی و چالش‌های مرتبط با لبه‌ی تکنولوژی و دانش هستند.

در انتهای دوره آموزش یادگیری عمیق برای معماران و شهرسازان با تنسورفلو و کراس چه دستاوردی خواهد داشت؟

با توجه به محتوایی این دوره دانش پژوهان با موارد زیر آشنا خواهند شد:

پیاده‌سازی شبکه‌های MLP

پیاده‌سازی شبکه‌های Sequential، Functional و Subclass

شناخت ترکیب مناسب activation function و initialization

شناخت راهکارهای مقابله با Overfittingو underfitting

پیاده‌سازی Transfer learning

استفاده از شبکه‌های آموزش دیده آماده

پیاده‌سازی شبکه‌های Convolutional

پیاده‌سازی شبکه‌های Recurrent neural network

 

وجه تمایز دوره یادگیری عمیق برای معماران و شهرسازان نسبت به سایر دوره ‌های مشابه چیست؟

در این دوره دانش پژوهان پس از شناخت مفهوم یادگیری عمیق، وارد جزئیات و روش های پیاده‌سازی یادگیری عمیق با مثال ها و نمونه های مرتبط با صنعت ساختمان می شوند. در این پیاده‌سازی هدف فقط نوشتن کدهای طولانی و پیچیده نیست، بلکه تلاش می گردد با جزئیات تمام به بررسی و بحث درباره تمام خط‌های این پیاده سازی پرداخته شود. یعنی شما در ادامه مسیر آموزش کار با شبکه‌های عصبی عمیق را فراگیری می نماید و در ادامه نیز می‌توانید این دانش جدید را در پیاده سازی حوزه تخصصی خود به صورت مباحث تکنیکی و کدنویسی استفاده کنید. استاد دوره سعی خواهد کرد مباحث را با ساده‌ترین زبان و به همراه مثال های مرتبط با صنعت ساختمان بیان نماید. در این دوره هر گامی که برداشته می شود دلیل و منطق آن در حوزه صنعت ساختمان نیز شرح داده خواهدشد.

 

زمان مورد نیاز برای گذراندن دوره

60 ساعت

مجموع محتوای آموزشی

18 ساعت

برگزار کننده

لابراتوار معماری و هوش مصنوعی

سرفصل‌های دوره آموزش یادگیری عمیق با پایتون

فصل اول: مبانی یادگیری ماشین عمیق

مبانی یادگیری عمیق

مروری بر تاریخچه یادگیری عمیق

نمونه موردی ها مرتبط با صنعت ساختمان

 

فصل دوم: مدل‌های یادگیری عمیق

بررسی عملکرد یک نورون

مدل رفتاری یک نورون

چیدمان نورون‌ها در شبکه

وزن‌ها در یک شبکه عصبی مصنوعی

روش‌های آموزش در یادگیری عمیق

کار با مدل MLP

معرفی اولیه مدل CNN

معرفی مدل RNN

معرفی مدل‌های Autoencoder

کار با مدل Autoencoder

معرفی مدل Variational autoencoder

معرفی مدل‌های Generative adversarial network

فصل سوم: شبکه عصبی عمیق

مقدمه و راه اندازی

راهنمای انتخاب کارت گرافیکی

راه اندازی بستر برنامه نویسی (Anaconda)

راه اندازی بستر نرم افزاری TensorFlow و کتابخانه Keras

راه اندازی TensorFlow برای اجرا بر روی GPU

کار با داده ها در Keras

معرفی منابع رسمی و مزایای Keras

نحوه بارگذاری دیتاست های معروف در Keras

آشنایی با ساختار و انواع داده ها و تنسورها

نحوه بارگذاری داده های شخصی در پایتون

نحوه تغییر اندازه و مشخصات داده ها

ایجاد و آموزش مدل در Keras

نحوه ایجاد یک مدل در Keras

انواع لایه ها و مدل ها در Keras

تنظیم پارامترهای مختلف Keras (آموزش مدل، نمایش نتایج آموزش)

نحوه ذخیره و نمایش ساختار مدل

نحوه ذخیره و بازیابی مدل آموزش دیده

 

 

 

فصل چهارم: شبکه کانولوشنال عمیق

معرفی شبکه کانولوشنال عمیق

معرفی لایه‌های کانولوشن

معرفی لایه‌های کاهش اندازه Pooling

نحوه نمایش مدل‌های Convolutional

اجرای مدل MLP

اجرای مدل CNN

مدل‌های تشخیص اشیا و تشخیص چهره

مدل‌های بخش‌بندی تصاویر

 

فصل پنجم: آموزش مدل

آماده‌سازی داده‌ها

انتخاب یا طراحی معماری مدل

توابع loss and accuracy

آموزش مدل به روش Back – Propagation

تکنیک‎‌های Batch Normalization و Dropout

تکنیک Transfer Learning

 

درمورد استاد دوره

دکتر رضاباباخانی عضو فدراسیون جهانی مخترعین و دارنده نشان نقره ای مخترع سال 2022 از IFIA می باشد. ایشان مخترع و پژوهشگر حوزه معماری و هوش مصنوعی در ایران است. او دکتری معماری از دانشگاه علوم و تحقیقات تهران دارد و در همین دانشگاه به عنوان موسس و مدیر لابراتوار معماری و هوش مصنوعی مشغول پژوهش و تولید الگوریتم های مرتبط با حوزه صنعت ساختمان است.

همچنین دکتر رضاباباخانی داور نشریات مختلفی همچون علوم و تکنولوژی، مرمت و معماری، پژوهشنامه پردازش و مدیریت اطلاعات، مطالعات محیطی هفت حصار، معماری شناسی، Journal of Architectural Engineering Technology، space ontology journal

حد نصاب قبولی در دوره

70.0 نمره

معرفی دورهنمایش رایگان

فصل اول: درس اول مبانی یادگیری عمیقنمایش رایگان

6دقیقه

فصل اول: درس دوم مروری بر تاریخچه یادگیری عمیق

10دقیقه

فصل اول: درس سوم نمونه موردی ها مرتبط با صنعت ساختمان

11دقیقه

فصل دوم: درس اول بررسی عملکرد یک نورون

8دقیقه

فصل دوم: درس دوم مدل رفتاری یک نورون

7دقیقه

فصل دوم: درس سوم چیدمان نورون‌ها در شبکه

12دقیقه

فصل دوم: درس چهارم وزن‌ها در یک شبکه عصبی مصنوعی

8دقیقه

فصل دوم: درس پنجم روش‌های آموزش در یادگیری عمیق

6دقیقه

فصل دوم: درس ششم کار با مدل MLP

10دقیقه

فصل دوم: درس هفتم معرفی اولیه مدل CNN

32دقیقه

فصل دوم: درس هشتم معرفی مدل RNN

43دقیقه

فصل دوم: درس نهم معرفی مدل‌های Autoencoder

12دقیقه

فصل دوم: درس دهم کار با مدل Autoencoder

12دقیقه

فصل دوم: درس یازدهم معرفی مدل Variational autoencoder

14دقیقه

فصل دوم: درس دوازدهم معرفی مدل‌های Generative adversarial network

21دقیقه

فصل سوم: درس اول مقدمه و راه اندازی

23دقیقه

فصل سوم: درس دوم راهنمای انتخاب کارت گرافیکی

42دقیقه

فصل سوم: درس سوم راه اندازی بستر برنامه نویسی (Anaconda)

12دقیقه

فصل سوم: درس چهارم راه اندازی بستر نرم افزاری TensorFlow و کتابخانه Keras

43دقیقه

فصل سوم: درس پنجم راه اندازی TensorFlow برای اجرا بر روی GPU

12دقیقه

فصل سوم: درس ششم کار با داده ها در Keras

42دقیقه

فصل سوم: درس هفتم معرفی منابع رسمی و مزایای Keras

21دقیقه

فصل سوم: درس هشتم نحوه بارگذاری دیتاست های معروف در Keras

22دقیقه

فصل سوم: درس نهم آشنایی با ساختار و انواع داده ها و تنسورها

27دقیقه

فصل سوم: درس دهم نحوه بارگذاری داده های شخصی در پایتون

29دقیقه

فصل سوم: درس یازدهم نحوه تغییر اندازه و مشخصات داده ها

26دقیقه

فصل سوم: درس دوازدهم ایجاد و آموزش مدل در Keras

53دقیقه

فصل سوم: درس سیزدهم نحوه ایجاد یک مدل در Keras

23دقیقه

فصل سوم: درس چهاردهم انواع لایه ها و مدل ها در Keras

46دقیقه

فصل سوم: درس پانزدهم تنظیم پارامترهای مختلف Keras (آموزش مدل، نمایش نتایج آموزش)

38دقیقه

فصل سوم: درس شانزدهم نحوه ذخیره و نمایش ساختار مدل

29دقیقه

فصل سوم: درس هفدهم نحوه ذخیره و بازیابی مدل آموزش دیده

19دقیقه

فصل چهارم: درس اول معرفی شبکه کانولوشنال عمیق

11دقیقه

فصل چهارم: درس دوم معرفی لایه‌های کانولوشن

42دقیقه

فصل چهارم: درس سوم معرفی لایه‌های کاهش اندازه Pooling

12دقیقه

فصل چهارم: درس چهارم نحوه نمایش مدل‌های Convolutional

32دقیقه

فصل چهارم: درس پنجم اجرای مدل MLP

21دقیقه

فصل چهارم: درس ششم اجرای مدل CNN

42دقیقه

فصل چهارم: درس هفتم مدل‌های تشخیص اشیا و تشخیص چهره

21دقیقه

فصل چهارم: درس هشتم مدل‌های بخش‌بندی تصاویر

13دقیقه

فصل پنجم: درس اول آماده‌سازی داده‌ها

14دقیقه

فصل پنجم: درس دوم انتخاب یا طراحی معماری مدل

21دقیقه

فصل پنجم: درس سوم توابع loss and accuracy

41دقیقه

فصل پنجم: درس چهارم آموزش مدل به روش Back - Propagation

54دقیقه

فصل پنجم: درس پنجم تکنیک‎‌های Batch Normalization و Dropout

31دقیقه

فصل پنجم: درس پنجم تکنیک Transfer Learning

17دقیقه
دیدگاهتان را با ما درمیان بگذارید
تعداد دیدگاه : 0
امتیاز کلی : 0.0
پیشنهاد شده توسط : 0 کاربر
بر اساس 0 دیدگاه
0
0
0
0
0

هیچ دیدگاهی برای این محصول نوشته نشده است.

لطفا پیش از ارسال نظر، خلاصه قوانین زیر را مطالعه کنید:

فارسی بنویسید و از کیبورد فارسی استفاده کنید. بهتر است از فضای خالی (Space) بیش‌از‌حدِ معمول، شکلک یا ایموجی استفاده نکنید و از کشیدن حروف یا کلمات با صفحه‌کلید بپرهیزید.

نظرات خود را براساس تجربه و استفاده‌ی عملی و با دقت به نکات فنی ارسال کنید؛ بدون تعصب به محصول خاص، مزایا و معایب را بازگو کنید و بهتر است از ارسال نظرات چندکلمه‌‌ای خودداری کنید.
اولین کسی باشید که دیدگاهی می نویسد “دوره یادگیری عمیق”

نشانی ایمیل شما منتشر نخواهد شد.

2,600,000 تومان

تعداد
سطح آموزش پیشرفته
تعداد دانشجویان این دوره : 3827
مدت دوره: 18:00ساعتتاریخ انتشار: 11 شهریور 1401آخرین بروزرسانی: 17 دی 1401تعداد بازدید: 4239
مدرس

دکتر رضا باباخانی

عضو فدراسیون جهانی مخترعین و دارنده نشان نقره ای مخترع سال 2022 از IFIA
امتیازی ثبت نشده است