دوره یادگیری عمیق

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.

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.

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.

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

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.

60 ساعت

18 ساعت

لابراتوار معماری و هوش مصنوعی

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

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

70.0 نمره