این دوره آموزشی برای علاقمندان به حوزه هوش مصنوعی، دانشجویان رشته‌های مهندسی کامپیوتر، برق، علوم کامپیوتر، و همچنین متخصصانی که به دنبال ارتقاء مهارت‌های خود در زمینه یادگیری ماشین هستند، طراحی شده است. با توجه به ماهیت عملی و مبتنی بر کدنویسی دوره، شما پس از اتمام آن قادر خواهید بود تا ایده‌های خود را به مدل‌های شبکه‌های عصبی کاربردی تبدیل کنید.

دسترسی فیزیکی این دوره بر روی فلش مموری 32 گیگابایتی، تضمین‌کننده دسترسی آسان و پایدار به محتوای آموزشی در هر زمان و مکانی است، بدون نیاز به نگرانی بابت محدودیت‌های پهنای باند یا دسترسی به اینترنت.

این دوره به صورت گام به گام شما را با مفاهیم کلیدی شبکه‌های عصبی مصنوعی آشنا کرده و از تئوری تا عمل، همراه شما خواهد بود:

• مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین: درک جایگاه شبکه‌های عصبی در اکوسیستم هوش مصنوعی.
• ساختار نورون مصنوعی: بررسی اجزای یک نورون (ورودی‌ها، وزن‌ها، بایاس، تابع فعال‌سازی) و نحوه عملکرد آن.
• توابع فعال‌سازی (Activation Functions): آشنایی با انواع توابع فعال‌سازی مانند Sigmoid، Tanh، ReLU و کاربرد آن‌ها.
• شبکه‌های عصبی پرسپترون چندلایه (MLP): یادگیری معماری لایه‌ای، نحوه انتشار رو به جلو (Forward Propagation) و محاسبه خروجی.
• قانون پس‌انتشار خطا (Backpropagation Algorithm): درک عمیق چگونگی آموزش شبکه‌های عصبی با استفاده از گرادیان کاهشی (Gradient Descent) و محاسبه گرادیان‌ها.
• بهینه‌سازی فرآیند آموزش: معرفی الگوریتم‌های بهینه‌سازی پیشرفته‌تر مانند Adam، RMSprop و Momentum.
• مدیریت بیش‌برازش (Overfitting) و کم‌برازش (Underfitting): تکنیک‌های تنظیم‌گری (Regularization) مانند Dropout، L1 و L2.
• معرفی انواع شبکه‌های عصبی:
  • شبکه‌های عصبی کانولوشنال (CNN): برای پردازش تصاویر و کاربردهای بینایی ماشین.
  • شبکه‌های عصبی بازگشتی (RNN) و LSTM: برای پردازش داده‌های توالی‌دار مانند متن و سری‌های زمانی.
• پیاده‌سازی با متلب: استفاده از ابزارها و کتابخانه‌های قدرتمند متلب (MATLAB) و Neural Network Toolbox برای ساخت، آموزش و ارزیابی مدل‌های شبکه‌های عصبی.
• مطالعات موردی و پروژه‌های عملی:
  • طبقه‌بندی تصاویر با استفاده از CNN.
  • پیش‌بینی سری‌های زمانی (مانند قیمت سهام) با استفاده از RNN/LSTM.
  • پردازش و تحلیل متن.

برای بهره‌مندی کامل از این دوره، آشنایی با مفاهیم زیر توصیه می‌شود:

• مبانی برنامه‌نویسی: آشنایی با ساختارهای کنترلی، توابع و اصول برنامه‌نویسی.
• ریاضیات پایه: درک مفاهیم جبر خطی (ماتریس‌ها، بردارها) و حساب دیفرانسیل و انتگرال (مشتق).
• آشنایی مقدماتی با متلب: شناخت محیط متلب، نحوه کار با ماتریس‌ها و اجرای اسکریپت‌ها.

دانشجویانی که با این پیش‌نیازها آشنایی کافی ندارند، می‌توانند با استفاده از منابع تکمیلی خود را آماده کنند.

این دوره آموزشی به صورت فیزیکی بر روی یک فلش مموری 32 گیگابایتی ارائه می‌شود که حاوی:

• ویدئوهای آموزشی با کیفیت بالا: شامل توضیحات تئوری، نمایش کد و اجرای عملی در متلب.
• اسکریپت‌ها و کدهای متلب: تمام کدهای مورد نیاز برای پیاده‌سازی مدل‌ها و پروژه‌ها.
• مجموعه داده‌ها (Datasets): داده‌های مورد استفاده در مثال‌ها و تمرین‌های عملی.
• فایل‌های PDF و یادداشت‌های تکمیلی: برای مرور سریع مفاهیم و مراجعه آسان.
• راهنمای نصب و راه‌اندازی: دستورالعمل‌های لازم برای نصب متلب و ابزارهای مورد نیاز.

این مجموعه کامل، یک تجربه یادگیری جامع و خودکفا را برای شما فراهم می‌آورد.

با شرکت در این دوره، شما قادر خواهید بود:

• مفاهیم پیچیده را به سادگی درک کنید: با رویکردی گام به گام و بصری، به قلب شبکه‌های عصبی نفوذ کنید.
• مهارت‌های عملی کسب کنید: یاد بگیرید چگونه مدل‌های یادگیری ماشین را در دنیای واقعی با متلب پیاده‌سازی کنید.
• پروژه‌های کاربردی انجام دهید: با انجام مطالعات موردی، دانش تئوری خود را به مهارت عملی تبدیل کنید.
• در مشاغل آینده پیشرو باشید: با تسلط بر هوش مصنوعی، فرصت‌های شغلی جدیدی را برای خود ایجاد کنید.
• از دسترسی پایدار و آسان بهره‌مند شوید: محتوای آموزشی همیشه در دسترس شماست، بدون وابستگی به اینترنت.

این دوره، سرمایه‌گذاری ارزشمندی بر روی دانش و مهارت‌های شما در یکی از داغ‌ترین حوزه‌های فناوری امروز است.

در طول دوره، بر جنبه‌های مهمی مانند:

• درک شهودی نحوه یادگیری شبکه‌های عصبی.
• اهمیت انتخاب معماری مناسب و پارامترهای هایپر.
• تجسم و تحلیل عملکرد مدل‌ها.
• اشکال‌زدایی و بهبود مدل‌های عصبی.

تأکید ویژه‌ای خواهد شد.