شبکه‌های عصبی بهار ۹۷
کلاس یادگیری ماشین پاییز ۱۳۹۷
مهر ۱۳, ۱۳۹۷
برنامه‌نویسی پایتون
بهمن ۲۶, ۱۳۹۷
شبکه‌های عصبی مصنوعی در حال حاضر به عنوان یکی از قدرتمندترین روش‌ها برای حل مسائل گوناگون از پیش‌بینی بازار بورس گرفته تا رانندگی خودکار و مترجم‌های ماشینی به شمار می‌روند. در این درس که مطالب آن برگرفته از درس‌های ارائه شده در سال‌های ۲۰۱۶ و ۲۰۱۷ در دانشگاه استنفورد با عنوان یادگیری عمیق برای بینایی ماشین است، تلاش شده است دانشجویان دوره کارشناسی بدون نیاز به پیش‌زمینه خاصی در حوزه هوش مصنوعی با اصول، طراحی و پیاده‌سازی شبکه‌های عصبی آشنا شده و از دانش خود برای حل مسائل گوناگون استفاده نمایند.
اسلایدهای درسی
-
بخش اول: مقدمات
- معرفی (دانلود)
- دسته‌بندی خطی (دانلود)
- توابع هزینه (دانلود)
- بهینه‌سازی و الگوریتم گرادیان کاهشی (دانلود)
-
بخش دوم: دسته‌بندی غیرخطی و شبکه‌های عصبی
- الگوریتم پس‌انتشار خطا (دانلود)
- آشنایی با شبکه‌های عصبی (دانلود)
- آموزش شبکه‌های عصبی (دانلود)
- فرایند حل مسئله با شبکه‌های عصبی (دانلود)
-
بخش سوم: شبکه‌های عصبی کانولوشنی
- شبکه‌های عصبی کانولوشنی (دانلود)
- شبکه‌های عصبی برگشتی (دانلود)
مشاهده ویدیوها
16 ديدگاه
سلام
استاد من دانشجوی ارشد معماری کامپیوتر هستم من میخوام شبکه عصبی یاد بگیرم برای پایان نامه تو زمینه های هوش کار کنم برای شروع اولیه از اموزش شبکه عصبی که قرار دادین مناسب برای من هست شروع کنم یا اول اموزش یادگیری ماشین ببینم
ممنون میشم راهنمایی کنین
استاد سلام
ممنون بابت فیلما
انشا الله پاینده باشید
یه سوال داشتم:
ویدیو ی این درس که تحت عنوان هوش محاسباتی در یوتیوب گذاشتید رو کاملشو نمی ذارید؟
با درود. ویدیوی تمامی جلسات مربوط به این درس در حال حاضر به صورت کامل در کانال یوتیوب بنده در دسترس است. اگر ویدیوی خاصی مورد نظر شماست که وجود ندارد لطفا به صورت دقیق بفرمایید تا اضافه گردد. با آرزوی موفقیت برای شما دوست گرامی.
سپاس بابت ویدیو های خوبتون. احرتون با خدا
یه سوال داشتم:
ویدیوی شبکه های بازگشتی و مباحثی نظیر deep RL و GAN رو قرار نمیدید؟
کلا بقیه ی مباحث deep رو چجوری میشه پیدا کرد؟
سلام دکتر عزیر
اگه امکانش هست یه کد کاملی که صفر تا صد یک شبکه عصبی رو بدون استفاده از کتابخانه های(منظور پای تورچ و تنسور فلو) پیاده سازی کنه و مفاهیم کامل لایه و نورون و الگوریتم پس انتشار خطا(بخصوص) و وزن دهی به پارامترها و… داشته باشه در اختیار ما قرار بدید
با درود. در واقع در نیمه دوم «کارگاه یادگیری ماشین با پایتون» دقیقا همین کار انجام شده است. لطفا در لینک زیر به جلسات شش به بعد مراجعه نمایید.
کارگاه یادگیری ماشین با پایتون
سلام با تشکر از زحماتی که می کشید برای پردازش سیگنال ecg با استفاده از یادگیری عمیق تو پایتون چه کتابخانه هایی وجود داره اگر ممکنه در این زمینه هم ویدیو بزارید ممنون میشم
سلام شما فوق العاده اید بنده کدهای پایتون ودر صورت امکان عضویت پیازا یا گیت اپ رو میخوام چکار کنم
سلام آقای دکتر وقت بخیر. من برای پایان نامه ام دو مدل شبکه عصبی و svm را دارم کار میکنم برای اینکه نشون بدیم کدوم مدل بهتر است. رشته من اقتصاد کشاورزی است و اصلا برنامه نویسی کار نکردم. میشه لطفا راهنمایی بفرمایید چه جوری میتونم کار را تکمیل کنم؟ با تشکر فراوان
سلام آقای دکتر
اجرتون با خدا با این همه ویدیو های بسیار خوبتون
من یه سوال داشتم ممنون میشم در صورت امکان به آن پاسخ بدهید .
معادله AX=B رو در نظر بگیرید. در معادله A و X و B ماتریس های مربعی هم سایز هستند . برای رسیدن به بهینه ترین ماتریس X ( درصورتی که ماتریس A و B یکتا باشند و ثابت ) چه روشی رو شما پیشنهاد میکنید؟
راه حلی که به ذهنه خودم رسیده اما عملا غیر قابل پیاده سازی بوده است به صورت زیر میباشد
۱. استفاده از یک روش بهینه سازی مانند simulated annealing ، اما مشکل در این روش این است که تعداد حالت برای هر پیکسل ماتریس X بسیار زیاد میباشد و هر عدد اعشاری بین ۰ تا ۱۰۰ برای هر عضو ماتریس X می‌تواند قرار بگیرد و در ماتریس X هیچ ارتباطی بین عناصر همسایه وجود ندارد.
خیلی ممنونم
سلام آقای دکتر
اجرتون با خدا با این همه ویدیو های بسیار عالیتون
من یه سوال داشتم ممنون میشم در صورت امکان به آن پاسخ بدهید .
معادله AX=B رو در نظر بگیرید. در معادله A و X و B ماتریس های مربعی هم سایز هستند . برای رسیدن به بهینه ترین ماتریس X ( درصورتی که ماتریس A و B یکتا باشند و ثابت ) چه روشی رو شما پیشنهاد میکنید؟
راه حلی که به ذهنه خودم رسیده اما عملا غیر قابل پیاده سازی بوده است به صورت زیر میباشد
۱. استفاده از یک روش بهینه سازی مانند simulated annealing ، اما مشکل در این روش این است که تعداد حالت برای هر پیکسل ماتریس X بسیار زیاد میباشد و هر عدد اعشاری بین ۰ تا ۱۰۰ برای هر عضو ماتریس X می‌تواند قرار بگیرد و در ماتریس X هیچ ارتباطی بین عناصر همسایه وجود ندارد.
خیلی ممنونم
سلام آقای دکتر
اجرتون با خدا با این همه ویدیو های بسیار خوبتون
من یه سوال داشتم ممنون میشم در صورت امکان به آن پاسخ بدهید .
معادله AX=B رو در نظر بگیرید. در معادله A و X و B ماتریس های مربعی هم سایز هستند . برای رسیدن به بهینه ترین ماتریس X ( درصورتی که ماتریس A و B یکتا باشند و ثابت ) چه روشی رو شما پیشنهاد میکنید؟
راه حلی که به ذهنه خودم رسیده اما عملا غیر قابل پیاده سازی بوده است به صورت زیر میباشد
۱. استفاده از یک روش بهینه سازی مانند simulated annealing ، اما مشکل در این روش این است که تعداد حالت برای هر پیکسل ماتریس X بسیار زیاد میباشد و هر عدد اعشاری بین ۰ تا ۱۰۰ برای هر عضو ماتریس X می‌تواند قرار بگیرد و در ماتریس X هیچ ارتباطی بین عناصر همسایه وجود ندارد.
خیلی ممنونم
با سلام و خسته نباشبد خدمت استاد عزیز
بسیار متشکرم بابت این اموزش های عالی و تدریس روان و ساده شما 🌹🌹
سلام برای من یو تیوب باز نمیکنه باید چیکار کنم
سلام
وقت بخیر، با تشکر از زحماتتون
میخواستم اطلاع بدم که لینک آخرین اسلاید درس (شبکه های عصبی برگشتی) غیرفعال شده اگر ممکنه اصلاحش کنید، خیلی متشکرم
سلام و وقت بخیر ، اسلاید جلسه شبکه عصبی برگشتی قابلیت دانلود ندارد لطف میکنید ، لینکرو فعال کنید ، خیلی ممنون.