محبوب ترین
دوره آموزشی شبکه پرسپترون و شبکه های عصبی کانولوشنی با متلب
آنچه خواهید آموخت
در این دوره با مفاهیم پایه و پیشرفتهی شبکههای عصبی مصنوعی در محیط **MATLAB** آشنا میشوید. ابتدا مبانی کدنویسی در متلب و ساختارهای کنترلی مرور میشود و سپس نحوهی طراحی و آموزش **شبکههای پرسپترون تکلایه و چندلایه (MLP)** برای حل مسائل طبقهبندی، برازش توابع و پیشبینی سریهای زمانی آموزش داده میشود. در ادامه، با الگوریتم **پسانتشار خطا (Backpropagation)**، مفهوم گرادیان نزولی و روشهای ارزیابی عملکرد شبکه آشنا خواهید شد.
در بخش پیشرفتهتر، مفاهیم **شبکههای عصبی کانولوشنی (CNN)** و **یادگیری عمیق** مورد بررسی قرار میگیرد. در این قسمت یاد میگیرید چگونه دادههای تصویری مانند مجموعه **MNIST** و **CIFAR** را با استفاده از MATLAB پردازش و مدلسازی کنید، شبکههای کانولوشنی طراحی کنید و از **یادگیری انتقالی (Transfer Learning)** برای تشخیص اشیاء استفاده نمایید. این دوره ترکیبی از آموزش مفهومی و پروژهمحور است تا شما بتوانید پس از اتمام آن، بهصورت عملی مدلهای هوش مصنوعی را برای دادههای عددی و تصویری پیادهسازی کنید.
دوره آموزشی شبکه عصبی MLP با متلب
آنچه خواهید آموخت
در دوره MLP (شبکههای عصبی چندلایه) شما یاد میگیرید چگونه یک مدل شبکه عصبی بسازید، آن را آموزش دهید، ارزیابی کنید و برای مسائل واقعی به کار ببرید.
این دوره مناسب همه افراد می باشد چرا که که مباحث پایهای یادگیری ماشین همچون رگرسیون، طبقهبندی پایهو اصول برنامه نویسی نرم افزار MATLAB نیز آموزش داده خواهد شد.
در پایان دوره شما قادر خواهید بود یک شبکه عصبی چندلایه برای حل مسألهای مثل پیش بینی داده های سری زمانی، کلاس بندی و رگرسیون بسازید و آن را بهینه کنید.
دوره آموزشی شبکه های عصبی کانولوشنی با متلب
آنچه خواهید آموخت
در این دوره با مفاهیم پایه و ساختار شبکههای عصبی کانولوشنی (CNN) در محیط MATLAB آشنا میشوید. ابتدا لایههای اصلی یک شبکه کانولوشنی شامل Convolution، Pooling و Fully Connected معرفی میشوند و نحوهی عملکرد آنها در استخراج ویژگیها و کاهش ابعاد تصاویر توضیح داده میشود. سپس با استفاده از دادههای تصویری MNIST، یاد میگیرید چگونه مدلهای طبقهبندی تصاویر را هم با شبکههای ساده Fully Connected و هم با شبکههای کانولوشنی طراحی، آموزش و ارزیابی کنید تا تفاوت عملکرد و دقت آنها را در عمل مشاهده نمایید.
در بخش پیشرفتهتر، مفاهیم یادگیری عمیق (Deep Learning)، تشخیص اشیاء (Object Detection) و شبکههای RCNN مورد بررسی قرار میگیرند. در این مرحله با ایدهی **یادگیری انتقالی (Transfer Learning)** آشنا میشوید و یاد میگیرید چگونه از شبکههای ازپیشآموزشدادهشده برای حل مسائل جدید استفاده کنید. پروژهی نهایی دوره شامل آموزش مجدد یک شبکهی کانولوشنی بر روی دادههای CIFAR و پیادهسازی مدل تشخیص علائم راهنمایی رانندگی است تا بهصورت عملی، توانایی طراحی و آموزش شبکههای عمیق را در MATLAB به دست آورید.
پرطرفدار
دوره آموزشی شبکه های عصبی کانولوشنی با متلب
آنچه خواهید آموخت
در این دوره با مفاهیم پایه و ساختار شبکههای عصبی کانولوشنی (CNN) در محیط MATLAB آشنا میشوید. ابتدا لایههای اصلی یک شبکه کانولوشنی شامل Convolution، Pooling و Fully Connected معرفی میشوند و نحوهی عملکرد آنها در استخراج ویژگیها و کاهش ابعاد تصاویر توضیح داده میشود. سپس با استفاده از دادههای تصویری MNIST، یاد میگیرید چگونه مدلهای طبقهبندی تصاویر را هم با شبکههای ساده Fully Connected و هم با شبکههای کانولوشنی طراحی، آموزش و ارزیابی کنید تا تفاوت عملکرد و دقت آنها را در عمل مشاهده نمایید.
در بخش پیشرفتهتر، مفاهیم یادگیری عمیق (Deep Learning)، تشخیص اشیاء (Object Detection) و شبکههای RCNN مورد بررسی قرار میگیرند. در این مرحله با ایدهی **یادگیری انتقالی (Transfer Learning)** آشنا میشوید و یاد میگیرید چگونه از شبکههای ازپیشآموزشدادهشده برای حل مسائل جدید استفاده کنید. پروژهی نهایی دوره شامل آموزش مجدد یک شبکهی کانولوشنی بر روی دادههای CIFAR و پیادهسازی مدل تشخیص علائم راهنمایی رانندگی است تا بهصورت عملی، توانایی طراحی و آموزش شبکههای عمیق را در MATLAB به دست آورید.
دوره آموزشی شبکه عصبی MLP با متلب
آنچه خواهید آموخت
در دوره MLP (شبکههای عصبی چندلایه) شما یاد میگیرید چگونه یک مدل شبکه عصبی بسازید، آن را آموزش دهید، ارزیابی کنید و برای مسائل واقعی به کار ببرید.
این دوره مناسب همه افراد می باشد چرا که که مباحث پایهای یادگیری ماشین همچون رگرسیون، طبقهبندی پایهو اصول برنامه نویسی نرم افزار MATLAB نیز آموزش داده خواهد شد.
در پایان دوره شما قادر خواهید بود یک شبکه عصبی چندلایه برای حل مسألهای مثل پیش بینی داده های سری زمانی، کلاس بندی و رگرسیون بسازید و آن را بهینه کنید.
دوره آموزشی شبکه پرسپترون و شبکه های عصبی کانولوشنی با متلب
آنچه خواهید آموخت
در این دوره با مفاهیم پایه و پیشرفتهی شبکههای عصبی مصنوعی در محیط **MATLAB** آشنا میشوید. ابتدا مبانی کدنویسی در متلب و ساختارهای کنترلی مرور میشود و سپس نحوهی طراحی و آموزش **شبکههای پرسپترون تکلایه و چندلایه (MLP)** برای حل مسائل طبقهبندی، برازش توابع و پیشبینی سریهای زمانی آموزش داده میشود. در ادامه، با الگوریتم **پسانتشار خطا (Backpropagation)**، مفهوم گرادیان نزولی و روشهای ارزیابی عملکرد شبکه آشنا خواهید شد.
در بخش پیشرفتهتر، مفاهیم **شبکههای عصبی کانولوشنی (CNN)** و **یادگیری عمیق** مورد بررسی قرار میگیرد. در این قسمت یاد میگیرید چگونه دادههای تصویری مانند مجموعه **MNIST** و **CIFAR** را با استفاده از MATLAB پردازش و مدلسازی کنید، شبکههای کانولوشنی طراحی کنید و از **یادگیری انتقالی (Transfer Learning)** برای تشخیص اشیاء استفاده نمایید. این دوره ترکیبی از آموزش مفهومی و پروژهمحور است تا شما بتوانید پس از اتمام آن، بهصورت عملی مدلهای هوش مصنوعی را برای دادههای عددی و تصویری پیادهسازی کنید.
مدرسان محبوب
همه شبکه عصبی دوره ها
دوره آموزشی شبکه های عصبی کانولوشنی با متلب
دورهی آموزش شبکههای عصبی کانولوشنی (CNN) با MATLAB با هدف …
آنچه خواهید آموخت
در این دوره با مفاهیم پایه و ساختار شبکههای عصبی کانولوشنی (CNN) در محیط MATLAB آشنا میشوید. ابتدا لایههای اصلی یک شبکه کانولوشنی شامل Convolution، Pooling و Fully Connected معرفی میشوند و نحوهی عملکرد آنها در استخراج ویژگیها و کاهش ابعاد تصاویر توضیح داده میشود. سپس با استفاده از دادههای تصویری MNIST، یاد میگیرید چگونه مدلهای طبقهبندی تصاویر را هم با شبکههای ساده Fully Connected و هم با شبکههای کانولوشنی طراحی، آموزش و ارزیابی کنید تا تفاوت عملکرد و دقت آنها را در عمل مشاهده نمایید.
در بخش پیشرفتهتر، مفاهیم یادگیری عمیق (Deep Learning)، تشخیص اشیاء (Object Detection) و شبکههای RCNN مورد بررسی قرار میگیرند. در این مرحله با ایدهی **یادگیری انتقالی (Transfer Learning)** آشنا میشوید و یاد میگیرید چگونه از شبکههای ازپیشآموزشدادهشده برای حل مسائل جدید استفاده کنید. پروژهی نهایی دوره شامل آموزش مجدد یک شبکهی کانولوشنی بر روی دادههای CIFAR و پیادهسازی مدل تشخیص علائم راهنمایی رانندگی است تا بهصورت عملی، توانایی طراحی و آموزش شبکههای عمیق را در MATLAB به دست آورید.
دوره آموزشی شبکه پرسپترون و شبکه های عصبی کانولوشنی با متلب
در این دورهی آموزشی، مفاهیم پایه و پیشرفتهی شبکههای عصبی …
آنچه خواهید آموخت
در این دوره با مفاهیم پایه و پیشرفتهی شبکههای عصبی مصنوعی در محیط **MATLAB** آشنا میشوید. ابتدا مبانی کدنویسی در متلب و ساختارهای کنترلی مرور میشود و سپس نحوهی طراحی و آموزش **شبکههای پرسپترون تکلایه و چندلایه (MLP)** برای حل مسائل طبقهبندی، برازش توابع و پیشبینی سریهای زمانی آموزش داده میشود. در ادامه، با الگوریتم **پسانتشار خطا (Backpropagation)**، مفهوم گرادیان نزولی و روشهای ارزیابی عملکرد شبکه آشنا خواهید شد.
در بخش پیشرفتهتر، مفاهیم **شبکههای عصبی کانولوشنی (CNN)** و **یادگیری عمیق** مورد بررسی قرار میگیرد. در این قسمت یاد میگیرید چگونه دادههای تصویری مانند مجموعه **MNIST** و **CIFAR** را با استفاده از MATLAB پردازش و مدلسازی کنید، شبکههای کانولوشنی طراحی کنید و از **یادگیری انتقالی (Transfer Learning)** برای تشخیص اشیاء استفاده نمایید. این دوره ترکیبی از آموزش مفهومی و پروژهمحور است تا شما بتوانید پس از اتمام آن، بهصورت عملی مدلهای هوش مصنوعی را برای دادههای عددی و تصویری پیادهسازی کنید.
آنچه خواهید آموخت
در دوره MLP (شبکههای عصبی چندلایه) شما یاد میگیرید چگونه یک مدل شبکه عصبی بسازید، آن را آموزش دهید، ارزیابی کنید و برای مسائل واقعی به کار ببرید.
این دوره مناسب همه افراد می باشد چرا که که مباحث پایهای یادگیری ماشین همچون رگرسیون، طبقهبندی پایهو اصول برنامه نویسی نرم افزار MATLAB نیز آموزش داده خواهد شد.
در پایان دوره شما قادر خواهید بود یک شبکه عصبی چندلایه برای حل مسألهای مثل پیش بینی داده های سری زمانی، کلاس بندی و رگرسیون بسازید و آن را بهینه کنید.
