توجه مهم: این دوره آموزشی جامع بر روی یک فلش مموری ۳۲ گیگابایتی برای شما ارسال می‌شود و به صورت دانلودی ارائه نمی‌گردد. این روش تضمین می‌کند که شما همیشه به محتوای دوره با بالاترین کیفیت و بدون نیاز به اینترنت دسترسی داشته باشید.

این دوره به گونه‌ای طراحی شده است که شما را از مبانی نظری تا پیاده‌سازی عملی مدل‌های پیچیده همراهی کند. پس از اتمام این دوره، شما قادر خواهید بود:

• مبانی یادگیری بدون نظارت را درک کرده و تفاوت آن با یادگیری نظارت شده را به طور کامل توضیح دهید.
• انواع مختلف خودرمزگذارها (Autoencoders) از جمله مدل‌های پایه، حذف‌کننده نویز (Denoising)، پراکنده (Sparse) و کانولوشنی را با استفاده از تنسورفلو و کراس پیاده‌سازی کنید.
• با معماری و نحوه عملکرد ماشین‌های بولتزمن محدود (RBMs) آشنا شده و از آن‌ها برای ساخت سیستم‌های توصیه‌گر (مانند آنچه در نتفلیکس استفاده می‌شود) بهره ببرید.
• شبکه‌های باور عمیق (Deep Belief Networks) را با روی هم قرار دادن چندین RBM بسازید و از آن‌ها برای استخراج ویژگی‌های سلسله‌مراتبی و عمیق از داده‌ها استفاده کنید.
• با شبکه‌های مولد تخاصمی (GANs)، یکی از هیجان‌انگیزترین حوزه‌های یادگیری عمیق، کار کرده و مدل‌هایی بسازید که می‌توانند تصاویر جدید و واقع‌گرایانه تولید کنند.
• مفهوم خودرمزگذارهای متغیر (VAEs) را درک کرده و از آن‌ها برای تولید داده‌های جدید و مدل‌سازی توزیع احتمال داده‌ها استفاده نمایید.
• تکنیک‌های پیشرفته کاهش ابعاد و بصری‌سازی داده مانند t-SNE را برای درک بهتر ساختار داده‌های پیچیده به کار ببرید.

این دوره فراتر از یک مجموعه ویدیوی آموزشی ساده است و مزایای منحصربه‌فردی را ارائه می‌دهد:

• رویکرد عملی و پروژه-محور: به جای تمرکز صرف بر تئوری، شما از ابتدا تا انتهای دوره مشغول کدنویسی و ساخت مدل‌های واقعی خواهید بود. تمام مفاهیم با مثال‌های عملی در پایتون همراه هستند.
• پوشش جامع و عمیق: این دوره طیف وسیعی از الگوریتم‌های کلاسیک و مدرن یادگیری بدون نظارت را پوشش می‌دهد و شما را با جدیدترین تکنیک‌های این حوزه آشنا می‌کند.
• درک شهودی مفاهیم پیچیده: مفاهیم ریاضی و آماری پشت هر الگوریتم به زبانی ساده و قابل فهم توضیح داده می‌شود تا شما فقط یک کاربر کتابخانه نباشید، بلکه یک متخصص واقعی شوید.
• کدهای منبع کامل: تمام کدهای نوشته شده در طول دوره در اختیار شما قرار می‌گیرد تا بتوانید به راحتی آن‌ها را اجرا، تست و برای پروژه‌های خودتان سفارشی‌سازی کنید.

محتوای دوره به صورت منطقی و مرحله به مرحله سازماندهی شده است تا فرآیند یادگیری را برای شما آسان و لذت‌بخش کند:

• بخش ۱: مقدمات و خوشه‌بندی: شروع با اصول یادگیری بدون نظارت، الگوریتم‌های خوشه‌بندی مانند K-Means و مدل‌های ترکیبی گوسی (Gaussian Mixture Models).
• بخش ۲: خودرمزگذارها (Autoencoders): ورود به دنیای شبکه‌های عصبی برای یادگیری بدون نظارت. در این بخش، معماری خودرمزگذارها را برای فشرده‌سازی داده، کاهش ابعاد و حذف نویز تصاویر یاد می‌گیرید.
• بخش ۳: ماشین‌های بولتزمن محدود (RBMs): آشنایی با یکی از بلوک‌های سازنده اصلی در مدل‌های مولد عمیق. نحوه آموزش RBMها با الگوریتم Contrastive Divergence و کاربرد آن‌ها در سیستم‌های توصیه‌گر بررسی می‌شود.
• بخش ۴: شبکه‌های باور عمیق (DBNs): یاد می‌گیرید که چگونه با ترکیب RBMها، یک شبکه عمیق بسازید که قادر به یادگیری ویژگی‌های پیچیده از داده‌هاست.
• بخش ۵: مدل‌های مولد مدرن (VAEs و GANs): این بخش به هیجان‌انگیزترین قسمت دوره اختصاص دارد. شما با معماری و نحوه عملکرد خودرمزگذارهای متغیر (VAEs) و شبکه‌های مولد تخاصمی (GANs) آشنا شده و یاد می‌گیرید چگونه با استفاده از آن‌ها تصاویر جدید تولید کنید.
• بخش ۶: بصری‌سازی و کاهش ابعاد: بررسی تکنیک‌های پیشرفته‌ای مانند t-SNE که به شما کمک می‌کند داده‌های چندبعدی را در فضای دو یا سه بعدی به تصویر بکشید و الگوهای آن را بهتر درک کنید.

این دوره برای طیف گسترده‌ای از علاقه‌مندان به هوش مصنوعی طراحی شده است:

• دانشمندان داده و مهندسان یادگیری ماشین: که می‌خواهند مهارت‌های خود را فراتر از مدل‌های نظارت‌شده گسترش دهند و از داده‌های بدون برچسب ارزش استخراج کنند.
• توسعه‌دهندگان نرم‌افزار: که قصد دارند قابلیت‌های هوشمند و مبتنی بر داده را به اپلیکیشن‌های خود اضافه کنند.
• دانشجویان و پژوهشگران: که به دنبال درک عمیق‌تر از جدیدترین پیشرفت‌ها در حوزه یادگیری عمیق و مدل‌های مولد هستند.
• تحلیل‌گران داده: که می‌خواهند الگوهای پنهان را در مجموعه داده‌های بزرگ کشف کرده و از آن‌ها برای تصمیم‌گیری بهتر استفاده کنند.

برای بهره‌مندی کامل از محتوای این دوره، دانش‌پذیران باید با موارد زیر آشنایی داشته باشند:

• برنامه‌نویسی پایتون: تسلط کافی بر زبان پایتون و ساختارهای داده آن.
• کتابخانه‌های علمی پایتون: تجربه کار با کتابخانه‌هایی مانند NumPy, SciPy و Matplotlib.
• مبانی یادگیری ماشین: درک مفاهیم اساسی مانند رگرسیون خطی، رگرسیون لجستیک و تفاوت بین یادگیری نظارت‌شده و بدون نظارت.
• مفاهیم پایه یادگیری عمیق: آشنایی با شبکه‌های عصبی، توابع فعال‌سازی، گرادیان کاهشی و پس‌انتشار (Backpropagation).
• ریاضیات پایه: درک مفاهیم اولیه حساب دیفرانسیل (مشتق) و جبر خطی (ماتریس‌ها و بردارها).

این دوره گام بعدی شما برای تبدیل شدن به یک متخصص برجسته در حوزه یادگیری عمیق است. با تسلط بر این تکنیک‌ها، شما می‌توانید مسائل پیچیده‌ای را حل کنید که با روش‌های سنتی قابل حل نیستند و خود را در لبه علم هوش مصنوعی قرار دهید.