دوره تخصصی یادگیری عمیق: هوش مصنوعی پیشرفته، آزمایشگاه عملی

آنچه یاد خواهید گرفت: طراحی، آموزش و بهینه‌سازی مدل‌های پیشرفته یادگیری عمیق از جمله CNNs ،RNNs ،Transformers ،GANs و مدل های دیفیوژن برای کاربردهای دنیای واقعی به‌کارگیری تکنیک‌های یادگیری تقویتی مانند Q-Learning ،Deep Q-Networks و متدهای Policy Gradient استقرار مدل‌های یادگیری عمیق در محیط‌های پروداکشن با استفاده از Flask ،FastAPI ،Docker و پلتفرم‌های ابری (AWS ،GCP ،Azure). تفسیر و ارزیابی مسئولانه مدل‌های هوش مصنوعی با استفاده از روش‌های هوش مصنوعی قابل توضیح (XAI) مانند SHAP، LIME و مصورسازی attention تحلیل روندهای نوظهور هوش مصنوعی شامل سیستم‌های چندوجهی (multimodal)، هوش مصنوعی مولد (generative AI) و مسیر به سوی هوش عمومی مصنوعی (AGI) پیش‌نیازهای دوره دانش اولیه پایتون درک پایه‌ای از یادگیری ماشین مبانی جبر خطی و احتمالات آشنایی با فریم‌ورک‌های یادگیری عمیق (اختیاری اما مفید) ابزارها و راه اندازی توضیحات دوره «این دوره شامل استفاده از هوش مصنوعی در ایجاد اسکریپت‌ها، تصاویر، صدا و محتوای پشتیبان است.» دوره تخصصی یادگیری عمیق: هوش مصنوعی پیشرفته برای فراگیرانی طراحی شده است که می‌خواهند بر تکنیک‌های پیشرفته یادگیری عمیق مسلط شوند و همزمان آن‌ها را در آزمایشگاه‌های عملی و کاربردی در هر هفته به کار گیرند. این دوره فراتر از تئوری است هر بخش شامل آزمایشگاه‌های کدنویسی هدایت‌شده‌ای است که در آن شما الگوریتم‌ها را پیاده‌سازی می‌کنید، با مدل‌ها آزمایش می‌کنید و مسائل دنیای واقعی را حل می‌کنید. شما با مبانی شبکه‌های عصبی شروع خواهید کرد و با توابع فعال‌سازی، توابع هزینه و تکنیک‌های بهینه‌سازی آشنا می‌شوید، که با آزمایشگاه‌هایی پشتیبانی می‌شود که به شما نشان می‌دهند چگونه مدل‌ها را از ابتدا بسازید و آموزش دهید. سپس به شبکه‌های عصبی کانولوشنی (CNNs) خواهید پرداخت، با معماری‌های کلاسیک مانند LeNet، VGG و ResNet کار خواهید کرد و آنها را در آزمایشگاه‌های مربوط به طبقه‌بندی تصویر، تشخیص اشیاء و یادگیری انتقالی به کار خواهید برد. در ادامه، شما مدل‌های توالی (sequence models) را بررسی کرده و RNNs ،LSTMs ،GRUs و مکانیزم‌های attention را خواهید ساخت، همراه با آزمایشگاه‌هایی در زمینه پیش‌بینی سری‌های زمانی، تولید متن و مصورسازی attention. با ورود به ترنسفورمرها و NLP، شما self-attention را پیاده‌سازی کرده، با mini-transformers آزمایش می‌کنید و با مدل‌های از پیش آموزش‌دیده مانند BERT و GPT کار خواهید کرد، بعلاوه آزمایشگاه‌هایی که سوگیری و انصاف در سیستم‌های NLP را بررسی می‌کنند. در نیمه دوم، شما با مدل‌های مولد از طریق آزمایشگاه‌های مربوط به autoencoders ،VAEs ،GANs و مدل های دیفیوژن برای کاربردهای خلاقانه هوش مصنوعی آزمایش خواهید کرد. سپس یادگیری تقویتی را به کار می‌گیرید و متدهایQ-learning ، DQNs و policy gradient را برای آموزش عامل‌ها در محیط‌هایی مانند CartPole کدنویسی می‌کنید. در نهایت، به موضوعات استقرار، قابلیت توضیح و اخلاق با آزمایشگاه‌هایی در زمینه استقرار با Flask/FastAPI + Docker، قابلیت توضیح با SHAP/LIME، معیارهای انصاف و دموهای هوش مصنوعی چندوجهی خواهید پرداخت. تا پایان این دوره تخصصی، شما نه تنها معماری‌های پیشرفته یادگیری عمیق را درک خواهید کرد، بلکه تجربه عملی از آزمایشگاه‌های هفتگی را به دست خواهید آورد تا با اطمینان سیستم‌های هوش مصنوعی مدرن را در زمینه‌های واقعی طراحی، آموزش، استقرار و ارزیابی کنید. این دوره برای چه کسانی مناسب است؟ دانشمندان داده و مهندسان یادگیری ماشین آینده علاقه‌مندان و پژوهشگران هوش مصنوعی توسعه‌دهندگان و مهندسان نرم‌افزار دانشجویان و متخصصان در زمینه‌های STEM کارآفرینان و نوآوران