دوره تخصصی و پروژه محور پیاده‌سازی شبکه های عصبی در پایتورچ

🔷 نصب پایتورچ
🔶 کار با تنسورها
🔷 کار با Datasets و Dataloaderها
🔶 ساخت Dataloaderهای اختصاصی
🔷 تئوری و ریاضیات شبکه‌های عصبی
🔶 پیاده سازی گام به گام شبکه‌های عصبی
🔷پیاده سازی شبکه‌های عصبی با ابزار پایتورچ
🔶 ذخیره و بارگذاری شبکه‌های عصبی
🔶 انجام چندین پروژه عملی
🔷 آشنایی با چالشهای واقعی در انجام پروژه‌ها

🔻نوع دوره: آنلاین همراه با ضبط ویدیوی جلسات
▪️مدت دوره: حدودا 40 ساعت

🧑‍💻مدرس: محمد نوری زاده چرلو

✅ جهت ثبت نام با شماره زیر تماس بگیرید:
شماره تماس: 09360382687
آیدی تلگرام: @onlinebme_admin

#python  #pytorch  #neuralnetworks

@Onlinebme

💡 شبکه عصبی و اهمیت مدل سازی مغز انسان
👨‍💻محمد نوری زاده چرلو
🗓 13 آذر 1402
#PyTorch

✍شبکه عصبی یک روشی در هوش مصنوعی است که به کامپیوتر یاد میدهد تا داده ها را به روشی پردازش کند که از مغز انسان الهام گرفته شده است. ولی سوال اساسی این است که چرا میخواهیم مغز انسان را مدل کنیم و اینکه چرا امروزه مدلسازی مغز انسان انقدر اهمیت پیدا کرده است. در این پست میخواهیم با اهمیت و نحوه مدلسازی مغز انسان آشنا شویم

🔘 جزئیات بیشتر👇
https://onlinebme.com/neural-networks-and-modeling-the-brain-with-computers/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ گرادیان نزولی و نقش آن در فرایند یادگیری شبکه های عصبی
🧑‍💻محمد نوری زاده چرلو
🗓20 آذر 1402
#PyTorch
💡گرادیان نزولی (gradient descent) یک الگوریتم بهینه سازی است که در شبکه های عصبی با کمک آن وزنهای سیناپسی تنظیم می شوند. به عبارتی با کمک گرادیان نزولی، شبکه های عصبی آموزش دیده و دانش لازم برای حل مئسله را بدست می آوردند.
🔺این الگوریتم با یک مقدار اولیه برای پارامتر بهینه سازی (وزنهای سیناپسی در شبکه های عصبی) شروع می‌کند، و براساس شیب خطا پارامتر بهینه سازی را تنظیم می‌کند.
🔺 گردایان نزولی در طول تکرارهای مختلف، در جهت شیب منفی خطا حرکت می‌کند تا به نقطه بهینه (global minima) همگرا شود. با کمک این رویکرد، شبکه های عصبی، در طول زمان وزنهای سیناپسی خود را برای حل مسئله خاص تنظیم می‌کنند.
🔺در این پست میخواهیم با فلسفه گرادیان نزولی برای حل مسئله، و چالشهایی که دارد آشنا شویم.

🔘جزئیات بیشتر 👇
https://onlinebme.com/gradient-descent/
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅ حالت های ارائه داده آموزشی به شبکه های عصبی
#PyTorch
👨‍💻محمد نوری زاده چرلو
🗓 04 دی 1402

✍ در آموزش شبکه های عصبی، داده های آموزش را میتوان به سه شکل pattern mode, batch-mode و mini-batch به شبکه عصبی ارائه داد. هرکدام از این حالتها مزایا و معایب خودشون رو دارند. در این پست میخواهیم با هر سه حالت آموزش شبکه عصبی و مزایا و معایب آنها آشنا شویم و در آخر هم بررسی می‌کنیم که batch-size را چند در نظر بگیریم بهتر است و داستان عدد جادویی 32 چیه؟

🔘 جزئیات بیشتر 👇
https://onlinebme.com/pattern-mode-batch-mode-and-mini-batch-mode-in-training-neural-networks/

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

✅شبکه عصبی پرسپترون چند لایه و مسائل غیرخطی
👨‍💻محمد نوری زاده چرلو
19 دی 1402
#PyTorch

شبکه عصبی پرسپترون چندلایه از سه نوع لایه ورودی، پنهان و خروجی تشکیل شده است. از قانون یادگیری پس انتشار خطا برای تنظیم وزنهای سیناپسی خود استفاده می‌کند و میتواند در مسائل طبقه بندی، رگرسیون و مدلسازی استفاده شود. در این پست میخواهیم با ساختار این شبکه عصبی و نقش هر لایه آن در حل مسئله را بررسی کنیم.

☑️مباحثی که در این پست بررسی میکنیم: 
◻️مسئله XOR و خواب زمستانی هوش مصنوعی
◻️مسئله غیرخطی و پرسپترون تک لایه
◻️قضیه کاور
◻️ شبکه عصبی پرسپترون چندلایه
◻️ نقش لایه ها در پرسپترون چند لایه
    ▪️ لایه ورودی
    ▪️ لایه‌های پنهان
    ▪️ لایه خروجی
◻️ بررسی یک سری سوالات رایج

🔘 جزئیات بیشتر 👇
https://onlinebme.com/multilayer-perceptron-neural-network-for-nonlinear-data/
🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme

تابع هزینه cross entropy و تفاوت آن با مربعات خطا
🧑‍💻محمد نوری زاده چرلو
🗓 25 دی 1402
#PyTorch

تابع هزینه یک تابع ریاضیاتی است که عملکرد شبکه عصبی را در انجام یک تسک خاص اندازه گیری می‌کند. توابع هزینه نقش اساسی در یادگیری شبکه های عصبی دارند و به شبکه های عصبی کمک می‌کنند در راستای هدف خاصی وزنهای خود را تنظیم بکنند. توابع هزینه cross-entropy و مربعات خطا معروفترین توابع هزینه در مسائل طبقه بندی و رگرسیون هستند. در این پست میخواهیم با هر کدام از این توابع هزینه آشنا شویم. و علت ترجیح cross-entropy  به MSE در مسائل طبقه بندی را با یک مثال ساده بررسی کنیم.

 ☑️مباحثی که در این پست بررسی میکنیم: 
◻️نقش توابع هزینه
◻️تابع هزینه MSE
◻️تابع هزینه Cross-Entropy
◻️ تابع هزینه مناسب برای مسائل رگرسیون
◻️ تابع هزینه مناسب برای مسائل طبقه‌بندی
◻️ بررسی یک سری سوالات رایج

🔘 جزئیات بیشتر 👇
https://onlinebme.com/cross-entropy-loss-function-in-machine-learning

🏢آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@Onlinebme