این دوره به گونه‌ای طراحی شده است که شرکت‌کنندگان را از مبانی تا سطوح پیشرفته یادگیری عمیق و کاربرد آن با گوگل کولب هدایت کند. پس از اتمام این دوره، شما قادر خواهید بود:

• مفاهیم بنیادی یادگیری عمیق: درک عمیقی از شبکه‌های عصبی، توابع فعال‌سازی، انتشار به عقب و بهینه‌سازی مدل‌ها به دست آورید.
• تسلط بر گوگل کولب: به طور مؤثر از محیط گوگل کولب برای توسعه، آموزش و استقرار مدل‌های یادگیری عمیق استفاده کنید. اتصال به گوگل درایو، مدیریت فایل‌ها و استفاده بهینه از منابع سخت‌افزاری ابری از جمله مباحث کلیدی خواهد بود.
• پیاده‌سازی شبکه‌های عصبی پیشرفته: با استفاده از فریم‌ورک‌هایی مانند تنسورفلو (TensorFlow) و کراس (Keras)، انواع شبکه‌های عصبی از جمله شبکه‌های عصبی پیچشی (CNN) برای پردازش تصویر، شبکه‌های عصبی بازگشتی (RNN) و حافظه‌های طولانی-کوتاه مدت (LSTM) برای پردازش زبان طبیعی و تحلیل سری‌های زمانی را پیاده‌سازی کنید.
• آماده‌سازی و پیش‌پردازش داده‌ها: تکنیک‌های مهم آماده‌سازی، نرمال‌سازی و افزایش داده‌ها را برای بهبود عملکرد مدل‌های خود بیاموزید.
• ارزیابی و بهینه‌سازی مدل‌ها: معیارهای مختلف ارزیابی مدل‌های یادگیری عمیق را بشناسید و روش‌های مختلف برای بهینه‌سازی و جلوگیری از بیش‌برازش (Overfitting) را اعمال کنید.
• کاربردهای عملی: توانایی حل مسائل دنیای واقعی در حوزه‌هایی مانند تشخیص اشیاء در تصاویر، طبقه‌بندی متون، تولید متن و پیش‌بینی سری‌های زمانی را کسب کنید.

این دوره فرصتی بی‌نظیر برای ارتقاء مهارت‌های شما در زمینه هوش مصنوعی فراهم می‌کند و مزایای متعددی را به همراه دارد:

• یادگیری عملی و پروژه‌محور: تمرکز دوره بر پروژه‌های عملی و مثال‌های کاربردی است که به شما کمک می‌کند دانش تئوری را بلافاصله به مهارت‌های عملی تبدیل کنید.
• عدم نیاز به سخت‌افزار گران‌قیمت: با استفاده از گوگل کولب، نیازی به خرید کارت گرافیک‌های قدرتمند و پرهزینه نخواهید داشت. تمام محاسبات سنگین در فضای ابری انجام می‌شود.
• محتوای جامع و به‌روز: سرفصل‌های دوره با توجه به آخرین پیشرفت‌ها در زمینه یادگیری عمیق و ابزارهای مرتبط طراحی شده‌اند.
• دسترسی آفلاین و پایدار: ارائه دوره بر روی فلش مموری ۳۲ گیگابایتی به این معنی است که شما بدون نیاز به اینترنت پرسرعت یا نگرانی از قطعی اتصال، در هر زمان و مکانی به محتوای کامل دوره دسترسی خواهید داشت. این روش دسترسی، پایداری و راحتی بی‌نظیری را برای یادگیری فراهم می‌آورد.
• مناسب برای سطوح مختلف: چه یک برنامه‌نویس پایتون باشید که قصد ورود به یادگیری عمیق را دارد و چه یک متخصص داده که می‌خواهد مهارت‌های خود را ارتقا دهد، این دوره برای شما مناسب است.

برای بهره‌برداری حداکثری از این دوره، داشتن پیش‌نیازهای زیر توصیه می‌شود:

• آشنایی مقدماتی با پایتون: درک مفاهیم پایه‌ای برنامه‌نویسی پایتون شامل متغیرها، حلقه‌ها، شرط‌ها، توابع و ساختارهای داده مانند لیست‌ها و دیکشنری‌ها.
• مفاهیم پایه ریاضی (اختیاری): آشنایی با جبر خطی (ماتریس‌ها و بردارها) و حساب دیفرانسیل و انتگرال می‌تواند در درک عمیق‌تر الگوریتم‌ها مفید باشد، اما برای شروع ضروری نیست.
• آشنایی با مفاهیم پایه‌ای یادگیری ماشین (اختیاری): درک مفاهیمی مانند رگرسیون، طبقه‌بندی و ارزیابی مدل‌ها می‌تواند به شما در دنبال کردن سریع‌تر مباحث کمک کند.

این دوره به چند بخش اصلی تقسیم شده است که هر بخش به تفصیل یک جنبه مهم از یادگیری عمیق و گوگل کولب را پوشش می‌دهد:

• بخش اول: مقدمه‌ای بر یادگیری عمیق و گوگل کولب
  • معرفی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
  • آشنایی با گوگل کولب و محیط آن
  • کار با نوت‌بوک‌های کولب، سلول‌ها و میانبرهای مفید
  • اتصال به گوگل درایو و مدیریت داده‌ها
  • مقدمه‌ای بر تنسورفلو و کراس
• بخش دوم: مبانی شبکه‌های عصبی
  • نورون‌های مصنوعی و مدل پرسپترون
  • شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
  • توابع فعال‌سازی (Activation Functions)
  • تابع هزینه (Loss Function) و بهینه‌سازها (Optimizers)
  • مفهوم انتشار به عقب (Backpropagation)
• بخش سوم: شبکه‌های عصبی پیچشی (CNN) برای پردازش تصویر
  • مقدمه‌ای بر بینایی کامپیوتر
  • لایه‌های پیچشی (Convolutional Layers) و پولینگ (Pooling Layers)
  • معماری‌های معروف CNN (مانند VGG, ResNet, Inception)
  • آموزش مدل‌های CNN برای طبقه‌بندی تصاویر
  • تکنیک‌های افزایش داده (Data Augmentation) و انتقال یادگیری (Transfer Learning)
  • مثال عملی: طبقه‌بندی تصاویر (به عنوان مثال، دسته‌بندی سگ و گربه)
• بخش چهارم: شبکه‌های عصبی بازگشتی (RNN) و LSTM برای داده‌های توالی
  • معرفی پردازش زبان طبیعی (NLP)
  • محدودیت‌های شبکه‌های عصبی پیشخور برای داده‌های توالی
  • شبکه‌های عصبی بازگشتی (RNN) و مشکلات آن‌ها (vanishing/exploding gradients)
  • شبکه‌های LSTM و GRU برای حل مشکلات RNN
  • پیاده‌سازی مدل‌های RNN/LSTM برای تحلیل احساسات و تولید متن
  • مثال عملی: پیش‌بینی سری‌های زمانی یا تحلیل احساسات در نظرات مشتریان
• بخش پنجم: مباحث پیشرفته در یادگیری عمیق
  • شبکه‌های تولیدکننده رقابتی (GANs) و کاربردهای آن‌ها
  • مقدمه‌ای بر مدل‌های ترانسفورمر (Transformers) و Attention Mechanism
  • استقرار مدل‌های یادگیری عمیق (Basic Deployment)
  • روش‌های تفسیرپذیری مدل‌های یادگیری عمیق (Explainable AI)
• بخش ششم: پروژه عملی نهایی و جمع‌بندی
  • کار بر روی یک پروژه جامع از ابتدا تا انتها
  • رفع اشکال و نکات پیشرفته
  • منابع بیشتر برای ادامه یادگیری

گوگل کولب یک ابزار انقلابی است که موانع ورود به حوزه یادگیری عمیق را به شدت کاهش داده است:

• دسترسی رایگان به GPU/TPU: این مهم‌ترین مزیت کولب است. بدون نیاز به خرید سخت‌افزار گران‌قیمت، می‌توانید از قدرت پردازشی بالای گوگل برای آموزش مدل‌های خود بهره‌مند شوید.
• عدم نیاز به تنظیمات: محیط کولب از پیش پیکربندی شده است و شامل تمامی کتابخانه‌های مورد نیاز (TensorFlow, Keras, PyTorch, NumPy, Pandas و…) می‌باشد. تنها کافیست مرورگر خود را باز کرده و شروع به کدنویسی کنید.
• قابلیت اشتراک‌گذاری و همکاری آسان: نوت‌بوک‌های کولب در گوگل درایو ذخیره می‌شوند و می‌توانید به راحتی آن‌ها را با دیگران به اشتراک بگذارید و به صورت همزمان روی یک پروژه کار کنید.
• پشتیبانی از فرمت‌های مختلف: کولب از نوت‌بوک‌های Jupyter Notebook پشتیبانی می‌کند و امکان وارد کردن و خروجی گرفتن از فایل‌ها با فرمت‌های مختلف را فراهم می‌آورد.

برای اطمینان از درک عمیق و کاربردی مفاهیم، در طول دوره بر روی مثال‌های عملی متنوعی کار خواهیم کرد. این مثال‌ها شامل:

• طبقه‌بندی تصویر: ساخت و آموزش یک CNN برای تشخیص اشیاء مختلف در تصاویر، مانند طبقه‌بندی ارقام دست‌نویس (MNIST) یا شناسایی انواع حیوانات.
• تحلیل احساسات: پیاده‌سازی یک مدل RNN/LSTM برای تعیین بار احساسی (مثبت، منفی، خنثی) از نظرات مشتریان یا پست‌های شبکه‌های اجتماعی.
• تولید متن: آموزش یک مدل زبان برای تولید جملات یا حتی قطعات کوتاه متن بر اساس یک مجموعه داده ورودی.
• پیش‌بینی سری‌های زمانی: استفاده از شبکه‌های LSTM برای پیش‌بینی مقادیر آینده در سری‌های زمانی، مانند قیمت سهام یا مصرف انرژی.