آموزش یادگیری عمیق در پایتون

ما از معادلات ریاضی پیچیده اجتناب می کنیم، که اغلب می تواند مانعی برای ورود به تازه واردین باشد. این دوره به شما آموزش مفاهیم یادگیری عمیق را با استفاده از پایتون برای حل وظایف چالش برانگیز آموزش خواهد داد. شما یک سیستم تشخیص تصویر مبتنی بر یادگیری عمیق پایتون ایجاد می کنید و تصاویر را در اپلیکیشن های وب و اپلیکیشن های تلفن استقرار و ادغام می کنید. شما با درک بصری شبکه های عصبی به طور کلی شروع خواهید کرد. ما شما را از طریق بلوک های ساختمان شبکه های یادگیری عمیق برای مقابله با شبکه های عصبی پیچیده هدایت خواهیم کرد.

یادگیری عمیق یا همون Deep learning

در یادگیری ویژگی سلسله مراتبی ما ویژگی های  غیرخطی چندین لایه رو استخراج میکنیم و بعد اونها رو به یک کلاسیفایر (دسته بندی کننده) پاس میدیم که اونم هم تمامی این ویژگی ها رو با هم ترکیب میکنه تا بتونه پیش بینی ای رو انجام بده. هرچقدر این سلسله مراتب لایه ها بیشتر (عمیقتر) باشه در نتیجه ویژگی های غیرخطی بیشتری هم بدست میاد برای همین هم هست که ما علاقه داریم از تعداد لایه های بیشتری در یادگیری عمیق استفاده کنیم (در اصل اون بخش دوم یادگیری عمیق از همین اصل نشات گرفته و اشاره به سلسله مراتب عمیقی داره که تو یادگیری ویژگیها بما کمک میکنه.) از طرف دیگه این ویژگی های پیچیده رو ما نمیتونیم بصورت مستقیم از تصویر ورودی بدست بیاریم. میشه از لحاظ ریاضی نشون داد که بهترین ویژگی هایی که میشه از یه تصویر با استفاده از یک لایه (بدون سلسله مراتب) بدست آورد فقط لبه ها و توده ها (edge ها و blob ها) هستن. دلیلش هم اینه که اینها نهایت اطلاعاتی هست که ما میتونیم از یه تبدیل غیرخطی از تصویر ورودی بدست بیاریم. برای بدست آوردن و یا تولید ویژگی هایی که شامل اطلاعات بیشتری هستند ما نمیتونیم بصورت مستقیم روی تصویر ورودی کار کنیم و لازمه برای اینکار ویژگی های اولیه خودمون رو (مثل لبه ها و توده ها) دوباره تبدیل کنیم تا ویژگی های پیچیده تری که شامل اطلاعات بیشتری برای تمایز بین کلاسها مورد نیاز هست بدست بیاد.

این نحوه کار که ما در یادگیری عمیق میبینیم در اصل ایده گرفته شده از مغز انسان و نحوه کار visual cortext در مغز انسان هست. در مغز انسان هم نورون های مربوط به سلسله مراتب اولیه در ویژوال کورتکس مغز اطلاعاتی که دریافت میکنن حساس به لبه ها و توده ها هستن و بعد خروجی اونها در یک سلسله مراتب بعدی ادامه پیدا میکنه تا اینکه نورونهای به ساختار های پیچیده تری مثل صورتها حساسیت نشون بدن.

یادگیری عمیق یا همان یادگیری ژرف یکی از مباحث جدید در هوش مصنوعی و یادگیری ماشین است. اگر میخواهید بدانید، یادگیری ماشین چیست، این مقاله را حتماً مطالعه کنید.

در یک تعریف کلی، یادگیری عمیق، همان یادگیری ماشین است، به طوری که در سطوح مختلف نمایش یا انتزاع(abstraction) یادگیری را برای ماشین انجام میدهد. با این کار، ماشین درک بهتری از واقعیت وجودی داده ها پیدا کرده و میتواند الگوهای مختلف را شناسایی کند.

برای شناسایی یادگیری عمیق، ابتدا نیاز به دانستن شبکه های عصبی دارید. بر اساس تعریف مشهور، یادگیری عمیق در واقع همان یادگیری به وسیله شبکه های عصبی ای هستند که دارای لایه های ی پنهانی(Hidden Layers) زیادی می باشند. هر چقدر در لایه های یک شبکه عصبی عمیق جلو تر میرویم، به مدلهای پیچیده تر(و کامل تری) میرسیم.

کراس یک چهارچوب سطح بالا یادگیری عمیق پایتونی است که توسط آقای François Chollet در سال 2015 تأسیس شده. کراس چهارچوبی است که با آن و تنها با چند خط کد می‌توانیم برای ساختن شبکه‌های عصبی استفاده کنیم. البته کراس همه این کارها را خودش به تنهایی انجام نمی‌دهد، در حقیقت کراس یک فرانت‌اند (front-end) برای فریمورک های یادگیری عمیق تنسرفلو، CNTK و (مرحوم) تیانو است و آن‌ها پشت شبکه‌های عصبی را می‌سازند و آموزش می‌دهند و برای همین به آن یک چهارچوب سطح بالا می گوییم چون کراس پیچیدگی استفاده از این کتابخانه‌ها را تا حد خوبی حذف می‌کند. یک ویژگی خاص دیگر کراس این است که محدود به یک کتابخانه یادگیری عمیق نیست و همانطور که گفتیم می‌توانیم از تنسرفلو، CNTK و یا تیانو برای محاسبات پشت پرده آن استفاده کنیم.

سرفصل:

  • معرفی دوره

  • تاریخچه یادگیری عمیق

  • یادگیری عمیق امروز

  • ابزارها، مورد نیاز و راه اندازی

  • ساخت بلوک های اصلی یادگیری ماشینی

  • بررسی یادگیری تحت نظارت

  • رگرسیون خطی

  • شبکه های عصبی عمیق

  • شبکه های Feedforward

  • کشف شبکه های عصبی پیچشی (CNNs)

  • درک CNN ها

  • پیاده سازی یک CNN

  • CNN های عمیق

  • شبکه عصبی مصنوعی

  • LSTM و پیشرفت

  • تشخیص شی با استفاده از CNNs

  • و غیره

مراحل خرید فایل دانلودی
اگر محصول را می پسندید لطفا آنرا به اشتراک بگذارید.

محصولات مرتبط

دیدگاهی بنویسید

0