دوره یادگیری عمیق CNN برای داده‌های عددی (بدون تصویر)

معرفی دوره یادگیری عمیق با CNN برای داده‌های عددی (غیر تصویر)

این دوره به شما کمک می‌کند تا با استفاده از یادگیری عمیق (Deep Learning) یعنی شبکه‌های عصبی پیچشی (Convolutional Neural Networks – CNN) به تحلیل و طبقه‌بندی داده‌های عددی (غیر تصویر) بپردازید. این دوره برای دوستانی که ماتریس ویژگی (Feature Matrix) به جای تصویر دارند و می‌خواهند CNN را برای داده‌های عددی آموزش دهند، بسیار مناسب است. این دوره هم مسائل طبقه‌بندی (Classification) و هم رگرسیون (Regression) را شامل میشود.

حتما قبل از تهیه دوره معرفی دوره را مشاهده بفرمایید

---

سرفصل‌ها

1. مقدمه‌ای بر یادگیری عمیق (Introduction to Deep Learning)
   • اهمیت یادگیری عمیق
   • تفاوت‌های یادگیری عمیق با روش‌های سنتی
   • معرفی شبکه‌های عصبی پیچشی (Introduction to Convolutional Neural Networks – CNNs) و کاربردهای آن‌ها (Applications)
2. آماده‌سازی داده‌های غیر تصویری (ماتریس ویژگی) 
   • جمع‌آوری و آماده‌سازی داده‌ها
   • تقسیم‌بندی داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست (Splitting Data into Training, Validation, and Test Sets)
3. طراحی، آموزش و ارزیابی مدل‌های CNN برای طبقه‌بندی 
   • طراحی لایه‌های شبکه عصبی پیچشی برای داده‌های عددی (Designing CNN Layers for Numerical Data)
   • تنظیمات و گزینه‌های آموزش شبکه (Setting Training Options)
   • آموزش شبکه با استفاده از داده‌های آموزشی (Training the Network with Training Data)
   • ارزیابی مدل با استفاده از داده‌های تست و اعتبارسنجی (Evaluating the Model with Test and Validation Data)
4. آماده‌سازی CNN برای مسائل رگرسیون
   • طراحی لایه‌های شبکه عصبی پیچشی برای مسائل رگرسیون
   • تنظیمات و گزینه‌های آموزش شبکه برای رگرسیون
5. ارزیابی و معیارهای رگرسیون (Evaluating and Metrics for Regression)
   • ارزیابی مدل‌های رگرسیون با استفاده از داده‌های تست و اعتبارسنجی (Evaluating Regression Models with Test and Validation Data)
   • محاسبه معیارهای ارزیابی مانند خطای میانگین مربعات (Mean Squared Error – MSE)، خطای ریشه میانگین مربعات (Root Mean Squared Error – RMSE)، و ضریب تعیین (Coefficient of Determination – R²)

توضیحات مراحل

1. بارگزاری داده‌ها

در این مرحله، داده‌های عددی جمع‌آوری و آماده‌سازی می‌شوند. این داده‌ها به مجموعه‌های آموزش (Training Set)، اعتبارسنجی (Validation Set) و تست (Test Set) تقسیم می‌شوند. همچنین، داده‌ها نرمال‌سازی و استانداردسازی می‌شوند تا برای آموزش مدل مناسب باشند.

2. آماده‌سازی CNN برای مسائل طبقه‌بندی

در این مرحله، لایه‌های شبکه عصبی پیچشی برای داده‌های عددی طراحی می‌شوند. تعداد ویژگی‌ها (Features) و تعداد کلاس‌ها (Classes) مشخص می‌شوند و لایه‌های شبکه بر اساس این اطلاعات تنظیم می‌شوند. همچنین، گزینه‌های آموزش مانند نرخ یادگیری (Learning Rate)، تعداد دوره‌های آموزشی (Epochs) و اندازه دسته‌های آموزشی (Mini-Batch Size) تنظیم می‌شوند.

3. آموزش شبکه

در این مرحله، شبکه عصبی پیچشی با استفاده از داده‌های آموزشی آموزش داده می‌شود. این فرآیند شامل تنظیم وزن‌ها و بایاس‌های شبکه برای بهینه‌سازی عملکرد مدل است.

4. ارزیابی مدل طبقه بندی

در این مرحله، مدل آموزش‌دیده با استفاده از داده‌های تست و اعتبارسنجی ارزیابی می‌شود. معیارهای ارزیابی مانند دقت (Accuracy)، دقت پیش‌بینی (Precision)، یادآوری (Recall) و نمره F1 (F1 Score) محاسبه می‌شوند تا عملکرد مدل بررسی شود. نمایش Confusion Metrics و نمودار ROC.

5. آماده‌سازی CNN برای مسائل رگرسیون

در این مرحله، لایه‌های شبکه عصبی پیچشی برای مسائل رگرسیون طراحی می‌شوند. این شامل تنظیم لایه‌های ورودی (Input Layers)، لایه‌های پنهان (Hidden Layers) و لایه‌های خروجی (Output Layers) است. همچنین، گزینه‌های آموزش مانند نرخ یادگیری و تعداد دوره‌های آموزشی برای مسائل رگرسیون تنظیم می‌شوند.

6. ارزیابی و معیارهای رگرسیون

در این مرحله، مدل‌های رگرسیون با استفاده از داده‌های تست و اعتبارسنجی ارزیابی می‌شوند. معیارهای ارزیابی مانند خطای میانگین مربعات (Mean Squared Error – MSE)، خطای ریشه میانگین مربعات (Root Mean Squared Error – RMSE)، و ضریب تعیین (Coefficient of Determination – R²) محاسبه می‌شوند تا عملکرد مدل بررسی شود.

این سرفصل‌ها و توضیحات به شما کمک می‌کنند تا با استفاده از یادگیری عمیق و شبکه‌های عصبی پیچشی به تحلیل و طبقه‌بندی داده‌های عددی بپردازید.

حتما قبل از تهیه دوره معرفی دوره را مشاهده بفرمایید

---

مدرس: حسن سعادتمند

• بیش از 250 دوره آموزشی در متلب (MATLAB) و پایتون (Python).
• بیش از 15 سال تجربه در زمینه یادگیری ماشین، الگوریتم های فراابتکاری، یادگیری عمیق، مهندسی کنترل.
• چاپ چندین مقاله Q1 در بهترین ژرنال های دنیا Google Scholar.
• مدرس فرادرس
• کانال یوتیوب، کانال اپارت، کانال تلگرام، کانال ایتا

دوستانی که تمایل دارند این دوره را در پایتون Python داشته باشند با مدرس در ارتباط باشند.