یادگیری عمیق (Deep Learning) بدون شک یکی از قدرتمندترین و تحول‌آفرین‌ترین شاخه‌های هوش مصنوعی مدرن است؛ این حوزه با تکیه بر شبکه‌های عصبی عمیق (Deep Neural Networks) و لایه‌های متعدد پردازشی، به ماشین‌ها امکان می‌دهد الگوهای بسیار پیچیده را از حجم عظیمی از داده‌های خام (تصاویر، متن، صدا، ویدئو و ...) استخراج کنند و تصمیم‌گیری‌هایی در سطحی نزدیک به درک انسانی یا حتی فراتر از آن انجام دهند.
یادگیری عمیق تحولی بی‌سابقه در زمینه‌هایی مانند بینایی کامپیوتری، پردازش زبان طبیعی، تشخیص پزشکی از روی تصاویر، ترجمه خودکار و همزمان، خودروهای خودران، تولید محتوا (متن، تصویر، صدا و ویدئو)، تشخیص تقلب مالی، پیش‌بینی سری‌های زمانی پیشرفته، رباتیک، توصیه‌گرهای هوشمند و بسیاری از کاربردهای دیگر به وجود آورده است؛ جایی که روش‌های کلاسیک یادگیری ماشین عملاً ناتوان هستند.
یادگیری مبحث Deep Learning به ما این امکان را می‌دهد تا وارد یکی از پیشرفته‌ترین، جذاب‌ترین و پردرآمدترین حوزه‌های هوش مصنوعی در جهان شویم؛ حوزه‌ای که شرکت‌های بزرگ فناوری، استارتاپ‌های نوظهور، مراکز تحقیقاتی و صنایع پیشرفته (پزشکی، خودروسازی، مالی، سرگرمی، امنیت، انرژی و ...) به شدت به متخصصان آن نیاز دارند. تسلط بر این مهارت نه‌تنها درهای فرصت‌های شغلی بین‌المللی را به روی ما باز می‌کند، بلکه در پژوهش‌های دانشگاهی، مقالات علمی و توسعه محصولات آینده‌دار نیز جایگاه ویژه‌ای به ما می‌دهد.
ما در دوره یادگیری عمیق آکادمی سپاس، تمامی مفاهیم پایه تا پیشرفته این حوزه را به ساده‌ترین، شهودی‌ترین و در عین حال دقیق‌ترین شکل ممکن و کاملاً پروژه‌محور آموزش می‌دهیم؛ عملاً در این مسیر دانشجویان می‌آموزند که چگونه از داده‌های خام و نامنظم به مدل‌های بسیار قدرتمند (از CNN و RNN گرفته تا Transformerها، مدل‌های مولد GAN و Diffusion، Large Language Models و ...) برسند و آن‌ها را برای حل مسائل واقعی و پیچیده دنیای امروز و فردا به‌کار بگیرند، تا بدین ترتیب وارد یکی از پیشروترین و آینده‌دارترین شاخه‌های هوش مصنوعی در سراسر جهان شوند.
در دوره Deep Learning با چه مباحثی آشنا می‌شویم؟
می‌دونستی که یکی از تخصصی‌ترین دوره‌های Deep Learning در سراسر کشور در آکادمی سپاس ارائه می‌شود!
- آشنایی با مفاهیم مقدماتی
- آشنایی با کاربردهای این حوزه
- فراگیری ریاضیات ضروری یادگیری عمیق (جبر خطی، احتمالات، بهینه‌سازی)
- آشنایی با عملیات تنسور، Autograd و Computational Graph
- آشنایی با شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
- فراگیری انواع Activation Functionهای مدرن (GELU، SwiGLU، Mish و ...)
- یادگیری الگوریتم‌های بهینه‌سازی پیشرفته (AdamW، Lion، Sophia و ...)
- آشنایی با Learning Rate Scheduling (Cosine Decay، Warmup، OneCycleLR)
- فراگیری تکنیک‌های Regularization در یادگیری عمیق
- آشنایی با Batch Normalization، Layer Normalization و GroupNorm
- یادگیری روش‌های Data Augmentation پیشرفته (Mixup، CutMix، RandAugment)
- آشنایی با شبکه‌های کانولوشنی (Convolutional Neural Networks – CNN)
- فراگیری مفاهیم Convolution، Pooling، Depthwise Separable Conv
- آشنایی با معماری‌های مدرن (ResNet، EfficientNetV2، ConvNeXt، ConvFormer)
- آشنایی با Vision Transformer (ViT) و مقایسه آن با CNN
- آشنایی با مدل‌سازی دنباله‌ها و شبکه‌های بازگشتی (RNN، LSTM، GRU)
- فراگیری مکانیزم Attention و Self-Attention از پایه
- یادگیری معماری Transformer (Encoder-Decoder، Multi-Head Attention، Positional Encoding)
- آشنایی با مدل‌های Transformer در عمل (BERT، RoBERTa، DeBERTa)
- فراگیری مدل‌های Decoder-only (Llama، Mistral، Gemma، Phi و ...)
- آشنایی با کاربردهای متن (Classification، NER، Summarization، Generation)
- فراگیری یادگیری انتقالی (Transfer Learning) و Fine-tuning پیشرفته
- آشنایی با Parameter-Efficient Fine-Tuning (LoRA، QLoRA، DoRA، Adapter)
- یادگیری تکنیک‌های Prompt Tuning، In-Context Learning و Instruction Tuning
- آشنایی با مدل‌های مولد (Generative Models)
- فراگیری Variational Autoencoder (VAE) و β-VAE
- آشنایی با GANها (Vanilla GAN، WGAN-GP، StyleGAN)
- یادگیری مدل‌های Diffusion (DDPM، DDIM، Latent Diffusion، Stable Diffusion)
- آشنایی با تکنیک‌های ControlNet، IP-Adapter و Inpainting
- آشنایی با مدل‌های چندوجهی (Multimodal) و Vision-Language Models
- فراگیری مدل‌هایی مانند CLIP، LLaVA، PaliGemma و Qwen-VL
- فراگیری تکنیک‌های بهینه‌سازی در مقیاس بزرگ
- آشنایی با Mixed Precision Training، Gradient Accumulation
- یادگیری Distributed Training (Data Parallel، ZeRO، FSDP، DeepSpeed)
- آشنایی با معیارهای ارزیابی مدل‌های عمیق (Perplexity، BLEU، FID، CLIP Score)
- فراگیری روش‌های Human Evaluation و LLM-as-a-Judge
- فراگیری Mixture of Experts (MoE) و مدل‌های Sparse
- آشنایی با State Space Models (Mamba، S4)
- یادگیری تکنیک‌های Alignment (RLHF، DPO، ORPO)
- آشنایی با Quantization (AWQ، GPTQ، GGUF)
- پیاده‌سازی عملی تمامی مباحث با PyTorch و Hugging Face
- فراگیری ساخت مدل از صفر (MLP → CNN → Transformer کوچک)
- یادگیری Fine-tuning مدل‌های بزرگ با LoRA/QLoRA
- پیاده‌سازی عملی تمامی مباحث ذکرشده در زبان پایتون به صورت مستقیم یا با بهره‌گیری از کتاب‌خانه‌های مطرح PyTorch ،TensorFlow ،Scikit-learn و ...
- پیاده‌سازی گام به گام چندین پروژه مطرح با استفاده از انواع شبکه‌های عصبی
- مسیر مرتبط با ورود به بازار کار
زمان برگزاری دوره:
با یک برنامه‌ریزی دقیق و بر اساس استاندارهای آموزشی روز، سعی کردیم تا همه چیز به بهترین شکل باشه ...
| روز هفته | ساعت شروع | ساعت پایان | شروع دوره |
|---|---|---|---|
| - | - | - | - |
برای موفقیت فقط مونده خودت تلاش کنی ...
ثبت نام