دوره آموزشی کامل « یادگیری ماشین جذاب است! »

دوره ی آموزشی « یادگیری ماشین جذاب است! » توسط Adam Geitgey که به عنوان مدرس سایت لیندا و لینکدین و همچنین مشاوره در زمینه ی یادگیری ماشین و هوش مصنوعی فعالیت دارد، تنظیم و در ۸ قسمت منتشر شده است. این آموزش به صورت مفهومی، مباحث مختلف یادگیری ماشین را از مقدمه و تعریف آن تا انواع کاربرد و ایده های قابل استفاده بررسی کرده است.

چه مواردی را در این دوره  فرا خواهید گرفت؟

در شروع این مجموعه شما با تعریف یادگیری ماشین و شبکه های عصبی به صورت عینی و با مثال های کاربردی آشنا خواهید شد. در ادامه انواع شبکه های عصبی و کاربرد آن ها را فرا خواهید گرفت. سپس به پیاده سازی برنامه هایی از قبیل تشخیص چهره ، ترجمه ماشین و تشخیص گفتار پرداخته می شود. در آخر نیز با شبکه های مولد تخاصمی آشنا خواهید شد که یکی از جدید ترین و جذاب ترین موضوعات روز در زمینه ی شبکه های عصبی و یادگیری ماشین می باشد.

مزیت این دوره چیست؟

در این دوره سعی شده بدون درگیر شدن با مسائل ریاضی پشت پرده یادگیری ماشین ، با مثال های کاربردی مفاهیم و نحوه ی پیاده سازی الگوریتم های یادگیری ماشین به شما آموزش داده شود. همچنین یکپارچه بودن مطالب این دوره باعث شده که جذابیت مطالب حفظ شده و اشتیاق شما برای ادامه دادن آن بیشتر شود.

مجله ی شهاب مفتخر است که این مجموعه را به صورت کامل و با ترجمه ای روان تقدیم شما کرده و همچنین مثال ها نیز تا حد امکان به زبان فارسی برگردانده شده تا شما مخاطبان عزیز بتوانید به راحت ترین شکل ممکن از مطالب فوق العاده ی این دوره ، استفاده کنید.

همچنین باعث افتخار ماست که پس از بررسی های انجام شده توسط نویسنده اصلی ( Adam Geitgey ) ، ترجمه مجله شهاب به عنوان ترجمه فارسی رسمی این دوره انتخاب گردیده است.

پس از گذراندن دوره چه چیزی را انتظار داشته باشیم؟

پس از پایان این دوره ، شما با مباحث روز حوزه هوش مصنوعی و یادگیری ماشین آشنایی خواهید داشت. شما خواهید توانست با دید تخصصی تری به موضوعات روز دنیا نگاه کرده و برای نوآوری های جدید ایده پردازی کنید. اگر شما به کار در حوزه یادگیری ماشین علاقه مند هستید، پس از گذراندن این دوره می توانید به راحتی برای انتخاب زمینه ی کاری خود برنامه ریزی کنید.

لیست مباحث دوره

قسمت اول

در قسمت اول، شما با تعریف یادگیری ماشین آشنا شده و دو شاخه ی یادگیری نظارت شده و یادگیری بدون نظارت را خواهید شناخت. سپس با ارائه مثالی تفاوت این دو نوع روش یادگیری را شناخته و با انجام یک تمرین کد نویسی به خوبی آن را فرا خواهید گرفت. همچنین به صورت مختصر با ریاضیات و پارامتر های لازم برای بهینه سازی آن آشنا می شوید.

مشاهده مطلب

قسمت دوم

در قسمت دوم، با شبکه های عصبی آشنا می شویم. پس از شناخت شبکه های عصبی ، حالت های با حافظه و بدون حافظه آن را بررسی کرده و می آموزیم که چگونه می توان از شبکه ی عصبی برای کلاسه بندی و پیش بینی استفاده کرد. پس از آشنایی با شبکه های عصبی بازگشتی ، سعی می کنیم با استفاده از آن یک کتاب مشابه نوشته های ارنست همینگوی تولید کنیم! یا حتی جالب تر از آن؛ یک مرحله برای بازی سوپر ماریو می سازیم!

مشاهده مطلب

قسمت سوم : یادگیری عمیق و شبکه های عصبی کانولوشنی

تا به حال به این فکر کرده اید که گوگل چگونه می تواند بفهمد که محتوای درون تصاویر چه چیز هایی را نشان می دهد؟ این قسمت با معرفی شبکه های عصبی کانولوشنی و بهره گرفتن از آن برای یادگیری عمیق ، به شما می آموزد که چگونه از قدرت این شبکه ها برای تشخیص اشیا در تصاویر استفاده کنید. ابتدا شبکه ای می سازیم که می تواند اعداد را درون تصاویر تشخیص دهد. سپس با استفاده از تنسورفلو ، نرم افزاری درست می کنیم که می تواند پرندگان را درون عکس ها پیدا کند!

مشاهده مطلب

قسمت چهارم : تشخیص چهره مدرن با یادگیری عمیق

شما قرار است یک نرم افزار تشخیص چهره بنویسید! قسمت چهارم این مجموعه، شما را به دنیای شگفت انگیز تشخیص چهره با یادگیری عمیق خواهد برد. ابتدا نحوه ی شناسایی موقعیت چهره در تصاویر و ویدیو ها را یاد می گیریم. سپس اطلاعات کلیدی را از چهره ها استخراج می کنیم. آیا نیازی هست که ما به شبکه آموزش دهیم که چه اطلاعاتی را برای تشخیص چهره نیاز دارد یا شبکه خودش تصمیم می گیرد چه اطلاعاتی را استخراج کند؟

مشاهده مطلب

قسمت پنجم : ترجمه زبان با استفاده از یادگیری عمیق

تا به حال از گوگل ترنسلیت استفاده کرده اید؟ گوگل چگونه می تواند جملات یک زبان را به خوبی به زبان دیگری ترجمه کند در صورتی که ممکن است دستور زبانی آن دو با یکدیگر متفاوت باشد؟ در این قسمت خواهید آموخت که چگونه می توان برنامه ای نوشت که مفهوم جمله ها در یک زبان را فهمیده و آن مفهوم را در زبان دیگر پیاده سازی کند. اما کار های جالب تری نیز می توان انجام داد. می توانیم از آموزش های قبلی استفاده کرده و یک عکس را بگیریم و توضیحات آن را ارائه کنیم! یا حتی برای توضیحات گرفته شده تصویری پیدا کنیم!!

مشاهده مطلب

قسمت ششم : چگونه با یادگیری عمیق تشخیص گفتار بسازیم؟

دستیار های هوشمند شاید از جالب ترین اختراعات چند سال اخیر باشند. در دنیای امروز کافیست تنها به تلفن همراه خود بگویید که شما را ساعت ۷ صبح بیدار کند و دستیار هوشمند شما برای آن ساعت، بیدار باش تنظیم می کند. اما چگونه می توان سیگنال های آنالوگ صوتی را پردازش کرد و کلمات را تشخیص داد؟ در این آموزش می آموزیم که چگونه می توان کلمات موجود در یک فایل صوتی را تشخیص دهیم. آیا ما هم می توانیم یک نرم افزار تشخیص گفتار توسعه دهیم؟

مشاهده مطلب

قسمت هفتم : استفاده از شبکه های مولد تخاصمی برای ساخت بازی ۸ بیتی

بزرگ ترین محققان هوش مصنوعی و یادگیری ماشین می گویند شبکه های مولد تخاصمی شاید مهم ترین کشف ۱۰ سال اخیر در حوزه هوش مصنوعی باشد! این شبکه ها می توانند یاد بگیرند هر چیزی را تولید کنند! کافیست داده های مناسب در اختیار آن ها قرار بگیرد تا بتوانند چیز هایی مثل تصاویر جدیدی از اتاق خواب، سگ ها، دست دادن دو نفر و … تولید کنند. اما چطور است از آن ها برای کاری جذاب تر و کاربردی تر استفاده کنیم؟ بیایید با استفاده از شبکه های مولد تخاصمی یک بازی بسازیم!

مشاهده مطلب

قسمت هشتم : چگونه شبکه های عصبی را فریب دهیم؟

اکنون که یاد گرفتیم بهترین روش ها برای پیاده سازی الگوریتم های یادگیری ماشین و شبکه های عصبی چیست، بیایید یاد بگیریم چگونه می توانیم آن ها را گول بزنیم! با وجود قدرت بالای شبکه های عصبی در شناسایی الگو ها،  روش های جالبی وجود دارد که بتوانیم آن ها را فریب دهیم تا هنگام تشخیص یک داده، انچه که ما می خواهیم را نشان دهد. مثلا تصویر یک گربه را به عنوان تستر شناسایی کند! آیا می توان الگوریتم های قدرتمند تشخیص اشیا مانند الگوریتم گوگل را نیز فریب داد؟ چگونه می توانیم در برابر این تهدید ها از خود دفاع کنیم؟

مشاهده مطلب

سخن پایانی

در پایان، امیدواریم که این دوره مورد پسند شما بوده و توانسته باشیم کمکی در پیشرفت و یادگیری شما داشته باشیم. اگر مطالعه این دوره ایده های نوینی به ذهن شما رسانده است، لطفا در بخش نظرات با ما و دیگر علاقه مندان در میان بگذارید تا با کمک و راهنمایی یکدیگر به آن ها جامه عمل بپوشانیم. همچنین مشتاقانه منتظر نظرات و پیشنهادات شما هستیم.