بوت کمپ آموزشی برای آشنایی با هوش مصنوعی

ضبط شده

درک هوش مصنوعی در سطح مفهومی: فراتر رفتن از صرفاً استفاده از کتابخانه‌های پایتون و مدل‌های از پیش موجود

امتیاز دوره ( 3 نفر)

4.3 از 5

زیرنویس فارسی و انگلیسی

ماراد، مرکز آموزش از راه دور

زندگی فعال
41 اپیزود
2 ساعت و 21 دقیقه
سطح مقدماتی

بوت کمپ آموزشی برای آشنایی با هوش مصنوعی

درباره دوره اپیزود ها توضیحات تکمیلی اطلاعات استاد کامنت ها

در این دوره چه چیز هایی می آموزید؟

بینش‌هایی در مورد اصطلاحات متنوع هوش مصنوعی، از الگوریتم‌ها تا شبکه‌های عصبی کسب کنید و به طور قابل توجهی دانش خود را گسترش دهید.

تخصص عملی در ایجاد مدل‌های شبکه‌های عصبی کانولوشنی (CNN) را توسعه دهید و اصول طراحی را برای کاربرد عملی در وضعیت‌های پیچیده تسلط یابید.

یادگیری انتخاب مدل‌های اخلاقی، به‌گونه‌ای که با ارزش‌های اجتماعی همخوانی داشته باشد و درک نقش خود در پیاده‌سازی مسئولانه هوش مصنوعی.

اهمیت اعتبارسنجی مداوم داده‌ها و تست دقیق مدل‌ها را برای شناسایی و کاهش خطاها، محدودیت‌ها و اطمینان از استحکام درک کنید.

اپیزودها

اپیزود 1 مقدمه‌ای درباره دوره و درباره خودم

رایگان 3 دقیقه

کتاب همچنین در سایت انتشارات BPB در دسترس است.

پخش آنلاین

اپیزود 2 مخاطب هدف و محتوای دوره

4 دقیقه

شما در مورد•درک اصطلاحات هوش مصنوعی•مفاهیم هوش مصنوعی به طور عمیق•تنظیم محیط به صورت آفلاین و آنلاین•انتخاب‌های زمان اجرا (CPU، GPU و TPU)•اعتبارسنجی مداوم داده‌ها•ایجاد مدل CNN به صورت عملی – تنظیم محیط•کتابخانه‌های مختلف•آزمایش و اعتبارسنجی مدل•تنظیم دقیق مدل‌ها•پاداش: انتخاب مدل اخلاقی - برای مدل‌های پیش‌ آموزش‌دیده•پاداش: مدل‌های هوش مصنوعی معرفی شده به طور تجاری•نورون‌ها، کارکرد پرسپترون‌ها، وزن‌ها، تعصب‌ها، معادلات خطی، نقش توابع فعال‌سازی، نزول گرادیان، نرخ یادگیری، دوره‌ها، دسته‌ها، مجموعه‌های داده آموزشی، ابرپارامترها، لایه‌ها، لایه‌های پنهان، لایه‌های خروجی، تنظیم دقیق مدل و درک زیرآموزی و بیش‌تجهیزی.

اپیزود 3 هوش مصنوعی (AI) چیست و طبقه‌بندی‌های مختلف آن کدامند؟

7 دقیقه

اپیزود 4 چه زمان‌های اجرایی مختلفی وجود دارد و تفاوت‌های بین CPU، TPU و GPU چیست؟

8 دقیقه

اپیزود 5 LPU چیست و چه تفاوتی با CPU، GPU و TPU دارد؟

5 دقیقه

اپیزود 6 مدل چیست و زمانی که به کارت مدل می‌نگریم، باید به چه نکاتی توجه کنیم؟

3 دقیقه

اپیزود 7 analogy‌های واقعی: درک وزن‌دهی نورون‌ها در سناریوهای روزمره

3 دقیقه

آیا کنجکاو هستید که مفهوم وزن نورون‌ها با وضعیت‌های واقعی چگونه ارتباط دارد؟ به ما بپیوندید در یک کاوش جذاب که در آن فاصله بین شبکه‌های عصبی و زندگی روزمره را در این ویدئوی آموزشی روشنگر پر می‌کنیم.در این ویدئو، راز وزن نورون‌ها را کشف خواهیم کرد و اینکه چگونه این مفهوم فرآیندهای تصمیم‌گیری در تجربیات روزمره ما را منعکس می‌کند. ما با توضیح اصول نورون‌ها و پرسپترون‌ها شروع خواهیم کرد و به نقش آن‌ها به عنوان بلوک‌های سازنده هوش مصنوعی اشاره خواهیم کرد.سپس به تشبیهات مرتبط می‌پردازیم تا نشان دهیم وزن نورون‌ها در سناریوهای دنیای واقعی چگونه عمل می‌کند. از انتخاب یک رستوران بر اساس نظرات تا اتخاذ تصمیمات سرمایه‌گذاری تحت تأثیر عوامل مختلف، ما شباهت‌هایی بین شبکه‌های عصبی و تصمیم‌گیری انسانی ترسیم خواهیم کرد.کشف کنید که چگونه مفهوم وزن تأثیرگذار بر انتخاب‌ها، ترجیحات و اقدامات ماست و منعکس‌کننده قدرت‌های سیناپسی درون شبکه‌های عصبی است. در پایان این آموزش، شما درک عمیق‌تری از چگونگی تقلید شبکه‌های عصبی از شناخت و فرآیندهای تصمیم‌گیری انسانی خواهید داشت.چه شما دانشجو، علاقمند یا متخصص در زمینه هوش مصنوعی باشید، این ویدئو بینش‌های ارزشمندی را در تقاطع جذاب علوم اعصاب و زندگی روزمره به شما ارائه می‌دهد. به ما بپیوندید تا ارتباطات پنهان بین نورون‌ها و دنیای اطراف‌مان را کشف کنیم!

اپیزود 8 چگونه perceptronها کار می‌کنند و چگونه فعال می‌شوند و وزن‌ها چه هستند؟

3 دقیقه

اپیزود 9 در پرسپترون‌ها/نورون‌ها، وزن‌ها چگونه در زمان واقعی کار می‌کنند؟

3 دقیقه

اپیزود 10 سوگیری ها چیست و چگونه کار می کنند؟

رایگان 2 دقیقه

پخش آنلاین

اپیزود 11 وظیفه تابع فعال‌سازی چیست و چرا به آن نیاز داریم؟

2 دقیقه

اپیزود 12 انواع توابع فعال‌سازی و موارد استفاده آنها چیست؟

4 دقیقه

اپیزود 13 شبکه عصبی و شبکه یادگیری عمیق چیست؟

3 دقیقه

اپیزود 14 پارامترها چه هستند؟

3 دقیقه

اپیزود 15 مدل CNN چیست؟

رایگان 2 دقیقه

پخش آنلاین

اپیزود 16 Hyperparameters، دوره‌ها، نرخ یادگیری و دسته‌ها چه هستند؟

3 دقیقه

اپیزود 17 چرا و نوت‌بوک (در زمینه هوش مصنوعی) چیست؟

2 دقیقه

اپیزود 18 تسلط بر Jupyter Notebook: راهنمای جامع برای Navigation

4 دقیقه

اپیزود 19 تنظیم یک دفترچه یادداشت Jupyter محلی با آناکوندا: راهنمای مبتدیان

6 دقیقه

اپیزود 20 راه‌اندازی محیط Anaconda Navigator: ساده‌سازی جریان کار علوم داده شما

6 دقیقه

اپیزود 21 راه‌اندازی حساب کاربری Google Colab و ایجاد اولین نوت‌بوک خود

5 دقیقه

توضیحات:به سفر خود به دنیای علمی داده‌های مشترک خوش آمدید! ما با آموزش مبتدی‌پسند خود در زمینه راه‌اندازی حساب کاربری آنلاین Google Colab و ایجاد اولین نوت‌بوک شما، همراه شما خواهیم بود. چه دانش‌آموز، محقق یا علاقه‌مند به داده باشید، این راهنمای ویدیویی قدم به قدم به شما امکان می‌دهد که به راحتی از قدرت محاسبات ابری بهره‌برداری کنید.در این ویدیو، ما شما را در فرآیند ایجاد یک حساب Google هدایت خواهیم کرد، اگر هنوز یک حساب ندارید، و سپس به طور یکپارچه به راه‌اندازی محیط Google Colab خود منتقل خواهیم شد. یاد بگیرید که چگونه از طریق مرورگر وب خود به Google Colab دسترسی پیدا کنید و نیاز به نصب و پیکربندی‌های پیچیده را حذف کنید.همراه ما باشید در حالی که نشان می‌دهیم چگونه یک نوت‌بوک جدید در Google Colab ایجاد کنید، که به شما یک بوم خالی می‌دهد تا کد پایتون بنویسید و اجرا کنید، تحلیل داده‌ها را انجام دهید و مدل‌های یادگیری ماشین را بررسی کنید. با رابط کاربری شهودی Google Colab آشنا شوید که دارای ابزارهای مناسب برای همکاری، کنترل نسخه و ویرایش در زمان واقعی است.پتانسیل کامل Google Colab را با استفاده از ادغام آن با Google Drive آزاد کنید، که به شما این امکان را می‌دهد که نوت‌بوک‌های خود را به راحتی ذخیره، به اشتراک بگذارید و در دستگاه‌های مختلف دسترسی پیدا کنید. همچنین، ویژگی‌های پیشرفته مانند شتاب GPU و TPU را بررسی کنید که به شما اجازه می‌دهد تا وظایف محاسباتی فشرده را با سرعت نور انجام دهید.چه مبتدی باشید و چه برنامه‌نویس با تجربه، Google Colab یک پلتفرم چندمنظوره برای یادگیری، آزمایش و همکاری در زمینه علم داده ارائه می‌دهد. با ما همراه باشید تا فرآیند راه‌اندازی را برای شما شفاف سازی کنیم و به شما امکان دهیم که با اعتماد به نفس به سفر علمی داده خود بپیوندید!

اپیزود 22 تنظیم زمان اجرای خود به GPU و تأیید زمان اجرای GPU

6 دقیقه

عنوان: راه‌اندازی زمان‌بندی‌ها در Google Colab: یک راهنمای تأیید شده به صورت برنامه‌نویسی با ادغام GPUتوضیحات:پتانسیل کامل Google Colab را با راه‌اندازی انواع زمان‌بندی‌ها، از جمله GPU، به صورت یکپارچه آزاد کنید و پیکربندی‌های آن‌ها را به صورت برنامه‌نویسی تأیید کنید. در این راهنمای جامع، ما شما را در مراحل بهینه‌سازی محیط Colab برای عملکرد حداکثری همراهی خواهیم کرد.ابتدا، نشان خواهیم داد که چگونه به منوی تنظیمات زمان‌بندی در Google Colab دسترسی پیدا کنید، جایی که می‌توانید بین گزینه‌های CPU، GPU یا TPU انتخاب کنید. بیاموزید چگونه زمان‌بندی GPU را انتخاب کنید که محاسبات شما را تسریع می‌کند و زمان پردازش را به طور قابل توجهی برای وظایف یادگیری ماشین کاهش می‌دهد.سپس، شما را در فرایند تأیید زمان‌بندی GPU به صورت برنامه‌نویسی در یک دفترچه یادداشت Colab راهنمایی خواهیم کرد. شما یاد خواهید گرفت که چگونه از کتابخانه‌های پایتون مانند TensorFlow یا PyTorch استفاده کنید تا به طور خودکار GPU را برای محاسبات خود شناسایی و استفاده کنید.ما همچنین به موضوعات پیشرفته‌تری می‌پردازیم، از جمله تغییر زمان‌بندی، که به شما امکان می‌دهد به صورت بدون درز بین پیکربندی‌های مختلف زمان‌بندی جابجا شوید بدون اینکه کار خود را از دست بدهید. این انعطاف‌پذیری برای آزمایش با تنظیمات سخت‌افزاری مختلف و بهینه‌سازی جریان کاری شما ارزشمند است.چه شما یک دانشمند داده، کارشناس یادگیری ماشین یا علاقه‌مند باشید، بهینه‌سازی پیکربندی زمان‌بندی شما در Google Colab برای تسریع در بارهای کاری و حداکثر کردن بهره‌وری ضروری است. با این راهنما، هنر راه‌اندازی زمان‌بندی‌ها و استفاده از قدرت شتابدهی GPU در Google Colab را مانند یک حرفه‌ای خواهید آموخت!

اپیزود 23 تنظیم زمان اجرا و تأیید برنامه‌نویسی در دسترس بودن TPU در کلا‌ب

3 دقیقه

توضیحات:با تسلط بر راه‌اندازی انواع زمان‌های اجرا در گوگل کولا‌ب، از جمله TPU قدرتمند (واحد پردازش تنسور)، کارایی خود را در گوگل کولا‌ب به حداکثر برسانید و به‌صورت برنامه‌نویسی، در دسترس بودن آن را بررسی کنید. در این آموزش جامع، ما شما را در مراحل بهینه‌سازی محیط کولا‌ب خود برای عملکرد بالاتر راهنمایی خواهیم کرد.ابتدا، نشان خواهیم داد که چگونه به منوی تنظیمات زمان اجرا در گوگل کولا‌ب دسترسی پیدا کنید، جایی که می‌توانید بین گزینه‌های CPU، GPU و TPU انتخاب کنید. جزئیات انتخاب زمان اجرای TPU را بیاموزید، که به خاطر سرعت محاسباتی فوق‌العاده‌اش به‌ویژه در بارهای کاری TensorFlow شناخته شده است.سپس، به وظیفه مهم بررسی برنامه‌نویسی در دسترس بودن TPU در نوت‌بوک کولا‌ب خود خواهیم پرداخت. از قدرت کتابخانه‌های پایتون مانند TensorFlow برای شناسایی خودکار وجود TPU و پیکربندی کد خود به‌طور مناسب استفاده کنید و از ادغام بی‌نقص با این سخت‌افزار پیشرفته اطمینان حاصل کنید.علاوه بر این، تکنیک‌های پیشرفته‌تری مانند تغییر زمان اجرا را پوشش خواهیم داد که به شما اجازه می‌دهد به‌راحتی بین پیکربندی‌های مختلف زمان اجرا تغییر دهید بدون اینکه پیشرفت خود را از دست بدهید. این قابلیت برای بهینه‌سازی کار خود و بهینه‌سازی استفاده از منابع بسیار ارزشمند است.خواه شما یک کارشناس یادگیری ماشین، محقق یا علاقه‌مند باشید، درک چگونگی استفاده از TPUها در گوگل کولا‌ب می‌تواند بهره‌وری شما را افزایش دهد و تجربیات شما را تسریع کند. با این آموزش، مهارت لازم برای راه‌اندازی زمان‌های اجرا و استفاده کامل از پتانسیل TPUها در گوگل کولا‌ب را کسب خواهید کرد و به شما این امکان را می‌دهد که پروژه‌های خود را با سرعت و کارآمدی بی‌سابقه‌ای انجام دهید!

اپیزود 24 آزادسازی قدرت واحدهای پردازش: تحلیل مقایسه‌ای CPU، GPU، TPU

7 دقیقه

وضیحات:آیا تا به حال فکر کرده‌اید که کدام واحد پردازش در دنیای محاسبات برتر است؟ به ما بپیوندید در یک سفر روشنگر که در آن ویژگی‌های عملکرد CPUها، GPUها، TPUها و LPUها را در این تحلیل ویدیویی جامع بررسی می‌کنیم.در این ویدیو، به قابلیت‌های هر واحد پردازش خواهیم پرداخت و نقاط قوت و ضعف آن‌ها را در انجام وظایف محاسباتی مختلف بررسی خواهیم کرد. از معماری‌های سنتی CPU که برای محاسبات عمومی بهینه‌سازی شده‌اند، تا قدرت پردازش موازی GPUها و شتاب‌دهی تخصصی TPUها و LPUها، ویژگی‌های منحصر به فردی را که هر واحد را تعریف می‌کند، کشف خواهیم کرد.از طریق بررسی‌های بینشی و آزمایش‌های عملکرد واقعی، کارایی، سرعت و مقیاس‌پذیری CPUها، GPUها، TPUها و LPUها را در یک طیف از کاربردها، از جمله یادگیری ماشین، شبیه‌سازی‌های علمی و بازی‌ها مقایسه خواهیم کرد.چه شما یک توسعه‌دهنده، محقق یا علاقه‌مند باشید، این ویدیو بینش‌های ارزشمندی در انتخاب واحد پردازش مناسب برای نیازهای محاسباتی شما ارائه خواهد داد. به ما بپیوندید تا به دنیای واحدهای پردازش پرده‌برداری کنیم و به شما قدرت استفاده از تمام پتانسیل فناوری مدرن محاسباتی را بدهیم!

اپیزود 25 تنسورفلو و کتابخانه‌های کاراس چیستند؟

2 دقیقه

اپیزود 26 دانلود مجموعه داده و درک نوع داده‌ها

4 دقیقه

اپیزود 27 تایید مجموعه داده‌های آموزشی و آزمایشی

3 دقیقه

اپیزود 28 نمایش ماتریسی داده‌های تصویر

3 دقیقه

اپیزود 29 برای نرمال‌سازی داده‌های پیکسل برای شبکه‌های عصبی کانولوشنی (CNN) و افزودن ابعاد اضافی

3 دقیقه

اپیزود 30 مرحله convolutions در فرآیند تعریف مدل را تعریف کنید.

2 دقیقه

اپیزود 31 مدل معمولی CNN را درک کنید

1 دقیقه

اپیزود 32 فهمیدن فرآیند ضرب ماتریس لایه پیچشی برای تشخیص لبه‌ها

1 دقیقه

اپیزود 33 تشخیص لبه و لایه‌های باقی‌مانده را درک کرده و هایپرپارامترها را تنظیم کنید.

7 دقیقه

اپیزود 34 Max pooling چیست؟

1 دقیقه

اپیزود 35 تأیید و اعتبارسنجی دقت مدل

2 دقیقه

اپیزود 36 ذخیره مدل به طور محلی و آزمایش تصویر محلی

1 دقیقه

اپیزود 37 تصویر نمونه محلی را آزمایش کنید

1 دقیقه

اپیزود 38 تابع هزینه یا تابع ضرر چیست؟

4 دقیقه

اپیزود 39 Backpropagation و forward propagation چیستند؟

2 دقیقه

اپیزود 40 گرادیان نزولی چیست و انواع گرادیان نزولی کدامند؟

5 دقیقه

اپیزود 41 تنظیم پارامترهای هایپر مدل برای افزایش دقت

2 دقیقه

اکشن های دوره

شرکت در دوره : 23,000 تومان

توضیحات دوره

به درک جامعی از اصطلاحات مختلف هوش مصنوعی، از الگوریتم‌ها تا شبکه‌های عصبی، برسید و به طور قابل‌توجهی پایه دانش خود را گسترش دهید.

این بوت کمپ بر انتخاب مدل‌های اخلاقی تأکید می‌کند و اطمینان می‌دهد که با ارزش‌های اجتماعی هماهنگ است و نقش شما را در پیاده‌سازی مسئولانه هوش مصنوعی درک می‌کند.

شما اهمیت تأیید مداوم داده‌ها و آزمایش دقیق مدل را برای شناسایی و کاهش بازی‌ها، اشتباهات و محدودیت‌ها یاد خواهید گرفت و به اطمینان از استحکام مدل‌ها کمک خواهید کرد.

در ساخت مدل‌های CNN مهارت‌های عملی را توسعه دهید و اصول طراحی را برای کاربرد عملی در سناریوهای پیچیده تسلط پیدا کنید.

این دوره برای مخاطبان متنوعی طراحی شده است، از جمله رهبران، توسعه‌دهندگان و کاربرانی که آماده استفاده از مدل‌های هوش مصنوعی آماده آموزش و تجاری هستند.

به شرکت‌کنندگان توصیه می‌شود هنگام استفاده از این مدل‌ها احتیاط و دقت به خرج دهند و محدودیت‌ها و پیامدهای مربوط به پیاده‌سازی آنها را درک کنند.

به عنوان سرپرستان فناوری هوش مصنوعی، برای کاربران مهم است که مسئولیت‌های خود را نسبت به جامعه با اولویت دادن به انصاف، شفافیت و پاسخگویی در تلاش‌های هوش مصنوعی خود حفظ کنند. این بوت کمپ پوشش جامعی از اصطلاحات هوش مصنوعی ارائه می‌دهد و به یادگیرندگان درک عمیق‌تری از مدل‌هایی که با آنها کار می‌کنند می‌دهد.

حتی اگر شما یک رهبر هستید که به دنبال تصمیم‌گیری آگاهانه هستید، یک توسعه‌دهنده که به دنبال توسعه مدل‌های ماهرانه است، یا کاربری که در برنامه‌های هوش مصنوعی حرکت می‌کند، این دوره به شما این قدرت را می‌دهد که با اعتماد به نفس و آگاهی در چشم‌انداز پیچیده هوش مصنوعی گام بردارید.

از متخصصان صنعت بیاموزید و در جنبه‌های اخلاقی و عملی فناوری هوش مصنوعی مهارت پیدا کنید.

بوت کمپ آموزشی برای آشنایی با هوش مصنوعی

✅ این دوره برای چه کسانی مناسب است؟

این دوره برای مخاطبان متنوعی از جمله رهبران، توسعه دهندگان و کاربرانی که آماده استفاده از مدل های هوش مصنوعی از پیش آموزش دیده و تجاری هستند، پاسخ می دهد.

برای شرکت‌کنندگان ضروری است که هنگام استفاده از این مدل‌ها احتیاط و توجه داشته باشند و اطمینان حاصل کنند که سوگیری‌ها، محدودیت‌ها و پیامدهای اخلاقی مرتبط با استقرار آنها را درک می‌کنند.

به عنوان مباشر فناوری هوش مصنوعی، برای کاربران بسیار مهم است که مسئولیت‌های اخلاقی در قبال جامعه را رعایت کنند و در تلاش‌های هوش مصنوعی خود، عدالت، شفافیت و مسئولیت‌پذیری را در اولویت قرار دهند.

علاوه بر این، این دوره پوشش جامعی از اصطلاحات هوش مصنوعی ارائه می‌کند، و یادگیرندگان را به درک عمیق‌تری از مدل‌هایی که با آن‌ها کار می‌کنند مجهز می‌کند.

خواه شما یک رهبر باشید که به دنبال تصمیم گیری آگاهانه است، توسعه دهنده ای باشید که هدفش توسعه مدل ماهر است، یا کاربری که برنامه های هوش مصنوعی را هدایت می کند، این دوره به شما این امکان را می دهد که با اعتماد به نفس و آگاهی اخلاقی در چشم انداز پیچیده هوش مصنوعی پیمایش کنید.

✅ این دوره چه پیشنیازهایی دارد؟

داشتن درک اولیه از برنامه نویسی پایتون پیش نیاز این دوره است، زیرا به عنوان زبان اصلی برای پیاده سازی مفاهیم تدریس شده عمل می کند.

آشنایی با سینتکس پایتون، ساختارهای داده و مفاهیم اولیه برنامه نویسی به شما این امکان را می دهد که مطالب درسی را به طور موثرتری درک کنید و در تمرینات عملی شرکت کنید.

علاوه بر این، مهارت در استفاده از نوت بوک های Jupyter مورد نیاز است زیرا معمولاً برای کدگذاری تعاملی و تجزیه و تحلیل داده ها در زمینه علم داده و هوش مصنوعی استفاده می شود.

راحت بودن با پیمایش و اجرای کد در نوت بوک های Jupyter، تعامل شما را با مطالب و تکالیف دوره تسهیل می کند.

علاوه بر این، دسترسی به یک اتصال اینترنتی پایدار برای دسترسی به مواد درسی، شرکت در سخنرانی‌های آنلاین و مشارکت در فعالیت‌ها یا بحث‌های مشترک ضروری است. یک اتصال اینترنتی قابل اعتماد تجربه یادگیری بی وقفه و ارتباط به موقع با مربیان و همتایان را در طول دوره تضمین می کند.

دانشجویان دیگر خریده اند