توضیحات
دوره Mathematics Behind Backpropagation | Theory and Python Code به کشف اسرار الگوریتمی می‌پردازد که نیروی محرکه هوش مصنوعی مدرن، یعنی پس‌انتشار، محسوب می‌شود. این مفهوم اساسی، فرآیند یادگیری در شبکه‌های عصبی را هدایت می‌کند و فناوری‌هایی نظیر خودروهای خودران، مدل‌های زبانی بزرگ، پیشرفت‌های تصویربرداری پزشکی و بسیاری موارد دیگر را ممکن می‌سازد. در این دوره، مخاطبان در سفری از سطح مقدماتی تا تسلط کامل همراهی می‌شوند و پس‌انتشار را از منظر تئوری و پیاده‌سازی عملی مورد بررسی قرار می‌دهند. این دوره با مبانی اولیه آغاز شده و به آموزش ریاضیات نهفته در پس‌انتشار، شامل مشتقات، مشتقات جزئی و گرادیان‌ها می‌پردازد. همچنین، مفهوم «نزول گرادیان» به زبانی ساده تبیین شده و نحوه بهینه‌سازی عملکرد ماشین‌ها به طور کارآمد نشان داده می‌شود.
اما این دوره صرفاً به تئوری محدود نمی‌شود؛ بلکه شرکت‌کنندگان به صورت عملی وارد گود شده و پس‌انتشار را از صفر پیاده‌سازی خواهند کرد. در ابتدا، تمامی محاسبات به صورت دستی انجام می‌شود تا درک عمیقی از تک تک مراحل حاصل گردد. سپس، به برنامه‌نویسی پایتون منتقل شده و شبکه عصبی خود را بدون استفاده از هیچ کتابخانه یا ابزار از پیش ساخته شده‌ای ایجاد خواهند کرد. در پایان این دوره، دانش‌آموختگان به طور کامل درک خواهند کرد که پس‌انتشار چگونه کار می‌کند؛ از ریاضیات گرفته تا کد و فراتر از آن. خواه یک مهندس مشتاق یادگیری ماشین باشید، خواه یک توسعه‌دهنده نرم‌افزار که به دنیای هوش مصنوعی وارد می‌شود، یا یک دانشمند داده که به دنبال درک عمیق‌تری است، این دوره مهارت‌های نادری را در اختیار شما قرار می‌دهد که اکثر متخصصان فاقد آن هستند. با تسلط بر پس‌انتشار، در حوزه هوش مصنوعی متمایز شوید و با دانش بنیادی که شما را در این عرصه رقابتی برجسته می‌سازد، اعتماد به نفس لازم برای ساخت شبکه‌های عصبی را کسب کنید.
آنچه فرا خواهید گرفت
- درک و پیاده‌سازی دستی و کدنویسی پس‌انتشار
- درک مبانی ریاضیاتی شبکه‌های عصبی
- ساخت و آموزش شبکه عصبی پیش‌خور خود در پایتون بدون استفاده از هیچ کتابخانه‌ای
- بررسی مشکلات رایج در پس‌انتشار
- محاسبه عددی مشتقات، مشتقات جزئی و گرادیان‌ها از طریق مثال‌ها
- یافتن مشتقات توابع زیان و توابع فعال‌سازی
- درک مفهوم مشتقات
- مشاهده عملکرد نزول گرادیان به صورت بصری
- پیاده‌سازی دستی نزول گرادیان
- استفاده از پایتون برای کدنویسی چندین شبکه عصبی
- درک نحوه عملکرد مشتقات جزئی در پس‌انتشار
- درک گرادیان‌ها و نحوه هدایت ماشین‌ها برای یادگیری توسط آن‌ها
- یادگیری دلیل استفاده از توابع فعال‌سازی
- درک نقش نرخ یادگیری در نزول گرادیان
این دوره مناسب افرادیست که
- دانشمندان داده‌ای که می‌خواهند درک عمیق‌تری از مبانی ریاضیاتی شبکه‌های عصبی به دست آورند.
- مهندسان مشتاق یادگیری ماشین که می‌خواهند پایه‌ای قوی در الگوریتم‌های قدرت‌بخش هوش مصنوعی بنا کنند.
- توسعه‌دهندگان نرم‌افزاری که به دنبال ورود به دنیای هیجان‌انگیز یادگیری ماشین و هوش مصنوعی هستند.
- دانشجویان و علاقه‌مندانی که مشتاق یادگیری نحوه عملکرد واقعی یادگیری ماشین در پشت صحنه هستند.
- متخصصانی که با هدف حفظ رقابت‌پذیری در عصر مدل‌های زبانی بزرگ و هوش مصنوعی پیشرفته از طریق تسلط بر مهارت‌های فراتر از چارچوب‌های اساسی تلاش می‌کنند.
مشخصات دوره Mathematics Behind Backpropagation | Theory and Python Code
- ناشر: Udemy
- مدرس: Patrik Szepesi
- سطح آموزش: مبتدی تا پیشرفته
- مدت زمان آموزش: 4 ساعت و 37 دقیقه
- تعداد دروس: 40
سرفصل های دوره
پیشنیازهای دوره Mathematics Behind Backpropagation | Theory and Python Code
- basic python knowledge
- high school mathematics
تصاویر دوره
نمونه فیلم دوره
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: ندارد
کیفیت: 720p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
1.07 گیگابایت
