معرفی دوره: استفاده از شبکه عصبی کانولوشنی (CNN) برای رگرسیون (Regression) در متلب MATLAB
مقدمه
شبکههای عصبی کانولوشنی (Convolutional Neural Networks – CNN) یکی از تکنیکهای پیشرفته در حوزه یادگیری عمیق (Deep Learning) هستند که معمولاً برای تحلیل دادههای تصویری استفاده میشوند. در این دوره، ما به بررسی کاربرد CNN برای مسائل رگرسیون (Regression) میپردازیم. هدف این دوره آموزش نحوه استفاده از CNN برای پیشبینی مقادیر پیوسته (Continuous Values) با استفاده از دادههای تصویری است.
اهداف دوره
- آشنایی با مفاهیم پایه شبکههای عصبی کانولوشنی (CNN)
- توانایی آمادهسازی و پیشپردازش دادهها برای مسائل رگرسیون
- یادگیری نحوه تنظیم و اصلاح شبکههای عصبی کانولوشنی پیشآموزشدیده (Pre-trained Networks)
- توانایی ارزیابی و بهبود مدلهای رگرسیون با استفاده از معیارهای مختلف
سرفصلهای دوره
- مقدمهای بر شبکههای عصبی کانولوشنی (Introduction to Convolutional Neural Networks)
- مفاهیم پایه و ساختار شبکههای عصبی کانولوشنی
- کاربردهای CNN در مسائل مختلف
- آمادهسازی و تقسیم دادهها (Data Preparation and Splitting)
- نحوه بارگذاری دادههای تصویری (Image Data) و برچسبهای مربوطه (Targets)
- پیشپردازش تصاویر شامل تغییر اندازه (Resizing) و نرمالسازی (Normalization)
- تقسیم دادهها به مجموعههای آموزش (Training Set) و اعتبارسنجی (Validation Set)
- انتخاب و اصلاح شبکههای پیشآموزشدیده (Selection and Modification of Pre-trained Networks)
- استفاده از شبکههای پیشآموزشدیده مانند ResNet و GoogLeNet
- نحوه اصلاح شبکهها با افزودن لایههای اضافی (Additional Layers) برای رگرسیون
- تنظیمات آموزش (Training Settings)
- تنظیمات مختلف برای آموزش مدل شامل تعداد دورهها (Epochs) و نرخ یادگیری (Learning Rate)
- استفاده از گزینههای آموزشی (Training Options) مانند آدام (Adam) و تغییرات نرخ یادگیری (Learning Rate Schedule)
- آموزش مدل (Model Training)
- نحوه آموزش مدل CNN با دادههای تصویری
- ذخیره و بارگذاری مدلهای آموزش دیده
- ارزیابی مدل (Model Evaluation)
- ارزیابی مدل با استفاده از دادههای آموزش و اعتبارسنجی
- 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)
- رسم نمودارهای انطباق (Curve Fitting) و تحلیل خطا (Error Analysis)
- بهبود مدل (Model Improvement)
- تکنیکهای بهبود مدل شامل پیشپردازش دادهها و تنظیمات پیشرفته آموزش
- استفاده از تجسمات (Visualizations) برای تحلیل عملکرد مدل
مخاطبان دوره
این دوره برای دانشجویان، پژوهشگران، و مهندسین علاقهمند به یادگیری عمیق و تحلیل دادههای تصویری مناسب است که میخواهند با استفاده از تکنیکهای پیشرفته شبکههای عصبی کانولوشنی، مدلهای رگرسیون دقیق و کارآمد ایجاد کنند.
مدت زمان دوره
این دوره در مدت زمان حدود 2 ساعت برگزار میشود با تمرکز بر عملی است.
با شرکت در این دوره، شما با مبانی نظری و عملی استفاده از شبکههای عصبی کانولوشنی برای مسائل رگرسیون آشنا خواهید شد و میتوانید از این تکنیکها در پروژههای خود استفاده کنید.
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
نقد و بررسیها
هنوز بررسیای ثبت نشده است.