یادگیری عمیق دیگر یک موضوع آکادمیک و محدود به آزمایشگاه‌ها نیست؛ بلکه یک ابزار قدرتمند است که صنایع مختلف از جمله بهداشت و درمان، امور مالی، بازاریابی، سرگرمی و حمل‌ونقل را متحول کرده است. تسلط بر این حوزه به معنای کسب یکی از پرتقاضاترین و پردرآمدترین مهارت‌های قرن ۲۱ است. شرکت‌های بزرگ فناوری مانند گوگل، متا، آمازون و مایکروسافت به شدت به دنبال متخصصانی هستند که بتوانند مدل‌های یادگیری عمیق را برای حل مسائل پیچیده طراحی و پیاده‌سازی کنند. با یادگیری این دانش، شما نه تنها درک عمیق‌تری از فناوری‌های نوین پیدا می‌کنید، بلکه فرصت‌های شغلی بی‌نظیری را برای خود ایجاد خواهید کرد. این دوره مسیر شما را برای تبدیل شدن به یک متخصص هوش مصنوعی هموار می‌کند و شما را برای چالش‌های جذاب این حوزه آماده می‌سازد.

این دوره برای طیف گسترده‌ای از افراد که علاقه‌مند به شروع مسیر خود در دنیای هوش مصنوعی هستند، مناسب است:

• دانشجویان و فارغ‌التحصیلان رشته‌های کامپیوتر، مهندسی، آمار و سایر رشته‌های مرتبط که می‌خواهند دانش تئوری خود را با مهارت‌های عملی تکمیل کنند.
• برنامه‌نویسان پایتون که قصد دارند حوزه فعالیت خود را به سمت یادگیری ماشین و هوش مصنوعی گسترش دهند.
• تحلیلگران داده که می‌خواهند با یادگیری تکنیک‌های پیشرفته‌تر، تحلیل‌های عمیق‌تری ارائه دهند.
• مدیران محصول و کارآفرینان که نیاز به درک قابلیت‌های هوش مصنوعی برای توسعه محصولات نوآورانه دارند.
• هر فرد کنجکاو و باانگیزه‌ای که دانش پایه برنامه‌نویسی دارد و می‌خواهد به دنیای شگفت‌انگیز یادگیری عمیق قدم بگذارد.

پیش‌نیازهای دوره:

• آشنایی با مفاهیم پایه برنامه‌نویسی پایتون (متغیرها، حلقه‌ها، توابع و ساختارهای داده).
• درک مفاهیم ریاضیات دبیرستان (جبر خطی و حسابان پایه). نیازی به تسلط کامل نیست زیرا مفاهیم ضروری در دوره مرور می‌شوند.
• هیچ دانش قبلی در زمینه یادگیری ماشین یا یادگیری عمیق مورد نیاز نیست. ما همه چیز را از صفر شروع می‌کنیم.

پس از اتمام این دوره، شما به مجموعه‌ای از مهارت‌های نظری و عملی دست خواهید یافت که به شما امکان می‌دهد پروژه‌های واقعی یادگیری عمیق را اجرا کنید:

• مبانی شبکه‌های عصبی: درک کاملی از نحوه کار پرسپترون‌ها، شبکه‌های عصبی چندلایه (MLP)، توابع فعال‌سازی (ReLU, Sigmoid)، توابع هزینه و الگوریتم پس‌انتشار (Backpropagation).
• کتابخانه‌های کلیدی پایتون: تسلط بر استفاده از کتابخانه‌های قدرتمندی مانند TensorFlow و Keras برای ساخت و آموزش مدل‌های پیچیده به ساده‌ترین شکل ممکن.
• پردازش و آماده‌سازی داده‌ها: یادگیری تکنیک‌های استانداردسازی، نرمال‌سازی و دسته‌بندی داده‌ها برای بهبود عملکرد مدل.
• شبکه‌های عصبی کانولوشنی (CNN): آشنایی با معماری CNN برای وظایف پردازش تصویر مانند طبقه‌بندی تصاویر و تشخیص اشیاء.
• شبکه‌های عصبی بازگشتی (RNN): مقدمه‌ای بر معماری RNN و LSTM برای کار با داده‌های ترتیبی مانند سری‌های زمانی و متن.
• بهینه‌سازی و ارزیابی مدل: یادگیری روش‌های جلوگیری از بیش‌برازش (Overfitting) مانند Dropout و Regularization و استفاده از معیارهای دقیق برای ارزیابی عملکرد مدل.
• اجرای پروژه‌های واقعی: توانایی پیاده‌سازی کامل پروژه‌های یادگیری عمیق از مرحله تعریف مسئله تا آموزش و استقرار یک مدل کارآمد.

ما معتقدیم بهترین راه برای یادگیری، عمل کردن است. به همین دلیل، این دوره کاملاً بر اساس رویکرد پروژه-محور طراحی شده است. شما در هر بخش، پس از یادگیری مفاهیم تئوری، بلافاصله آن‌ها را در قالب پروژه‌های جذاب و کاربردی پیاده‌سازی خواهید کرد. این پروژه‌ها به شما کمک می‌کنند تا درک خود را عمیق‌تر کرده و یک پورتفولیوی قوی برای خود بسازید.

برخی از پروژه‌هایی که در این دوره انجام خواهید داد:

• پروژه ۱: طبقه‌بندی ارقام دست‌نویس (MNIST): ساخت اولین شبکه عصبی برای تشخیص اعداد نوشته شده با دست؛ یک پروژه کلاسیک برای شروع.
• پروژه ۲: پیش‌بینی ریزش مشتری (Customer Churn): ساخت مدلی برای پیش‌بینی اینکه کدام مشتریان احتمالاً خدمات یک شرکت را ترک خواهند کرد.
• پروژه ۳: طبقه‌بندی تصاویر لباس (Fashion-MNIST): استفاده از شبکه‌های عصبی برای دسته‌بندی انواع پوشاک از روی تصاویر آن‌ها.
• پروژه ۴: تشخیص گربه و سگ با CNN: طراحی اولین شبکه عصبی کانولوشنی برای تشخیص تصاویر گربه‌ها از سگ‌ها.
• پروژه ۵: طبقه‌بندی اشیاء (CIFAR-10): ساخت یک مدل CNN پیشرفته‌تر برای شناسایی ۱۰ نوع شیء مختلف در تصاویر (هواپیما، ماشین، پرنده و…).
• پروژه ۶: تشخیص پنومونی از تصاویر X-ray قفسه سینه: یک پروژه کاربردی در حوزه پزشکی برای کمک به تشخیص بیماری.
• پروژه ۷: پیش‌بینی قیمت سهام با RNN: استفاده از شبکه‌های عصبی بازگشتی برای تحلیل داده‌های سری زمانی و پیش‌بینی قیمت‌ها.
• پروژه ۸: تحلیل احساسات نظرات فیلم (IMDB): ساخت مدلی برای تشخیص مثبت یا منفی بودن نظرات کاربران درباره فیلم‌ها.
• و بیش از ۴ پروژه جذاب دیگر که شما را با چالش‌های متنوع‌تری در دنیای واقعی آشنا می‌کنند.

• ارائه بر روی فلش مموری ۳۲ گیگابایتی: بدون نیاز به دانلود حجم بالای ویدیوها و فایل‌ها. محتوا همیشه و همه‌جا با بالاترین کیفیت در اختیار شماست.
• یادگیری پروژه-محور با ۱۲+ پروژه: تمرکز کامل بر روی ساخت پروژه‌های واقعی برای تثبیت مفاهیم و کسب تجربه عملی.
• محتوای جامع برای مبتدیان: شروع از مفاهیم کاملاً پایه و حرکت قدم‌به‌قدم به سمت موضوعات پیشرفته‌تر، با بیانی ساده و روان.
• کدهای آماده و دیتاست‌ها: تمام سورس کدها و مجموعه داده‌های مورد نیاز پروژه‌ها در فلش مموری موجود است تا بتوانید بدون دغدغه روی یادگیری تمرکز کنید.
• پوشش دو کتابخانه برتر: یادگیری همزمان TensorFlow و Keras که محبوب‌ترین ابزارهای ساخت مدل‌های یادگیری عمیق هستند.