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.
