
- درک اصول آموزش هوش مصنوعی و کاربردهای آن در دنیای واقعی
- کار با هوش مصنوعی مولد (GenAI) برای تولید محتوا و پردازش دادهها
- تسلط بر مدلهای زبانی بزرگ (LLMs) مانند چت جی پی تی (ChatGPT)
- یادگیری مفاهیم یادگیری ماشین و یادگیری عمیق با پایتون
- پردازش و تحلیل دادهها با ابزارهای علم داده
- توسعه و پیادهسازی ۷ پروژه عملی در حوزه هوش مصنوعی
- درک مفاهیم و استفاده از شبکههای عصبی عمیق برای حل مسائل پیچیده
- استفاده از APIهای پیشرفته هوش مصنوعی برای ایجاد چتباتهای هوشمند
هوش مصنوعی در حال تغییر دنیا است، و شما هم میتوانید از این تحول بزرگ بهرهمند شوید! در دوره آموزش هوش مصنوعی از یودمی، شما از پایه تا سطح پیشرفته یاد میگیرید که چگونه مدلهای یادگیری ماشین و یادگیری عمیق را پیادهسازی کنید و از چت جی پی تی و LLMها برای ایجاد سیستمهای هوشمند استفاده کنید.
این دوره کاملاً پروژهمحور است و شما در طول یادگیری، ۷ پروژه عملی اجرا خواهید کرد تا دانش خود را در حوزه هوش مصنوعی مولد، پردازش زبان طبیعی (NLP)، مدلهای پیشبینی، و تحلیل دادهها عمیقتر کنید.
مهم نیست که مبتدی هستید یا تجربه برنامهنویسی دارید؛ این دوره شما را از مبانی هوش مصنوعی تا توسعه مدلهای پیشرفته هدایت میکند. با یادگیری این دوره، میتوانید از پایتون برای ساخت مدلهای یادگیری ماشین و یادگیری عمیق استفاده کنید و هوش مصنوعی را در پروژههای شخصی و سازمانی خود به کار بگیرید.
خوش آمدید به دوره!
معرفی دوره
هوش مصنوعی از صفر تا صد: یادگیری ساخت خودروهای خودران و هوش مصنوعی در بازیها
دریافت منابع دوره!
نحوه ساخت اولین چتبات هوش مصنوعی با استفاده از AWS PartyRock | بدون نیاز به کدنویسی
جوایز $$ برای یادگیری
بخش صفر مبانی یادگیری تقویتی
مقدمهای بر یادگیری Q-Learning
اصول یادگیری عمیق: شبکههای عصبی و توابع فعالسازی توضیح داده شدهاند
نحوه کار یادگیری تقویتی: راهنمایی برای مبتدیان در روشهای آموزش هوش مصنوعی
معادله بلمن در یادگیری تقویتی: مقدمهای گام به گام
از مقادیر حالت تا برنامههای بهینه: معادله بلمن در تصمیمگیری هوش مصنوعی
فرایندهای تصمیمگیری مارکوف در یادگیری تقویتی: راهنمای کامل
آموزش یادگیری تقویتی: سیاست بهینه در مقابل برنامههای ثابت در تصمیمگیری هوش مصنوعی
جریمه زندگی در یادگیری تقویتی: بهینهسازی تصمیمگیری عاملهای هوش مصنوعی
یادگیری Q در یادگیری تقویتی: از مقادیر V تا مقادیر Q
تفاوت زمانی در یادگیری Q: راهنمای کامل یادگیری تقویتی
آزمون 1 کوییز
پیادهسازی یادگیری Q تمرین
پیادهسازی یادگیری Q برای بهینهسازی فرآیندها
بخش یک یادگیری عمیق Q
مقدمهای بر یادگیری عمیق Q
اصول یادگیری عمیق: شبکههای عصبی و توابع فعالسازی توضیح داده شدهاند
تفاوتهای کلیدی بین یادگیری عمیق Q و یادگیری Q سنتی
نحوه کار یادگیری عمیق Q: شبکههای عصبی و یادگیری تقویتی توضیح داده شدهاند
بازپخش تجربیات در یادگیری عمیق Q: چگونه کار میکند و چرا مهم است
راهنمای انتخاب اقدامات در یادگیری Q: الگوریتمهای Epsilon-Greedy و Softmax
پیادهسازی یادگیری عمیق Q
نحوه آموزش یک فرودگر ماه هوش مصنوعی با یادگیری عمیق Q و پایتون
دریافت کدهای دوره تمرین
مرحله 1 - راهاندازی محیط یادگیری عمیق Q: از جیمیل تا آموزش فرودگر ماه
راهاندازی Google Colab: آموزش یادگیری عمیق Q برای فرودگر ماه
مرحله 3 - معماری PyTorch DQN: ساخت مغز هوش مصنوعی برای OpenAI Lunar Lander
پیادهسازی روش پیشروی در یادگیری عمیق Q با PyTorch
مرحله 5 - تنظیم پارامترهای محیط LunarLander-v2 برای آموزش DQN
تنظیمات فراپارامترهای DQN: نرخ یادگیری و حافظه بازپخش
مرحله 7: پیادهسازی حافظه بازپخش در یادگیری عمیق Q با پایتون
مرحله 8: روش Push در DQN - اضافه کردن تجربیات به حافظه بازپخش
مرحله 9: نمونهگیری حافظه DQN - آموزش بازپخش تجربیات در PyTorch
آموزش DQN: مقداردهی اولیه شبکههای Q، بهینهساز و حافظه بازپخش
مرحله 11: روش گام DQN - ذخیرهسازی و یادگیری از تجربیات در پایتون
مرحله 12: انتخاب اقدام در DQN - پردازش وضعیت تا پیادهسازی سیاستها
مرحله 13: آموزش شبکه عمیق Q - پیادهسازی روش یادگیری در یادگیری تقویتی
مرحله 14 - پیادهسازی شبکه عمیق Q: روش بهروزرسانی نرم برای آموزش پایدار
مرحله 15: ایجاد اولین عامل هوش مصنوعی خود - آموزش شبکه عمیق Q (DQN)
مرحله 16 - استراتژی Epsilon-Greedy: مقداردهی اولیه فراپارامترهای آموزش هوش مصنوعی
مرحله 17: حلقه آموزش یادگیری عمیق Q - راهنمای کامل برای فرودگر ماه
مرحله 18: تجسم آموزش DQN - پیادهسازی پیگیری امتیازات دینامیکی
مرحله 19: تجسم یادگیری عمیق Q - بهینهسازی فرود عامل هوش مصنوعی
مقایسه ChatGPT و DQN سفارشی در پیادهسازی یادگیری تقویتی
بخش دو یادگیری عمیق Q مبتنی بر شبکههای کانولوشنی (CNN)
مقدمهای بر یادگیری عمیق Q مبتنی بر CNN
اصول یادگیری عمیق: شبکههای عصبی و توابع فعالسازی توضیح داده شدهاند
یادگیری عمیق Q مبتنی بر CNN: ساخت عاملهای هوش مصنوعی برای محیطهای بازی
پیادهسازی یادگیری عمیق Q مبتنی بر CNN
آموزش هوش مصنوعی Pac-Man با استفاده از شبکههای کانولوشنی
معماری CNN: افزودن لایههای کاملاً متصل پس از لایههای کانولوشنی
مرحله 5: پردازش تصویری برای یادگیری عمیق Q - پیادهسازی با PIL و Torchvision
مرحله 9: از یادگیری عمیق Q به DCQN - بازپخش تجربه و بهروزرسانی حافظه
مرحله 10: پیادهسازی عامل DCQN - روشهای یادگیری عمیق Q تطبیقی
هدیه: خلاصه بخش
خلاصه بخش: مدیریت افراد
مدیران عالی از طریق فعالیتهای موثر، سلامت تیم و توسعه را اولویت میدهند.
بخش سه الگوریتم A3C
خوش آمدید به بخش 3
خوش آمدید به بخش 3 - الگوریتم A3C
الگوریتم Actor-Critic: از یادگیری عمیق Q تا پیادهسازی A3C
یادگیری ناهمگام در A3C: منتقدان مشترک و شبکههای عصبی توضیح داده شدهاند
مزیت در روشهای Actor-Critic چگونه کار میکند؟
پیادهسازی الگوریتم A3C: تنظیم شبکه عصبی و محیط
مرحله 3 - یادگیری عمیق A3C: طراحی کلاس شبکه و معماری
ساخت شبکههای اقدام و سیاست در الگوریتم A3C
بخش چهار الگوریتمهای PPO و SAC
خوش آمدید به بخش 4
خوش آمدید به بخش 4 - الگوریتمهای PPO و SAC
AWS DeepRacer: آموزش وسایل نقلیه خودران با الگوریتمهای PPO و SAC
ضمیمه یک شبکههای عصبی مصنوعی
شبکههای عصبی مصنوعی
یادگیری عمیق چیست؟
شبکههای عصبی: مفاهیم کلیدی و معماریها
توابع فعالسازی: سیگموید، ReLU و Softmax
پسانتشار و گرادیان نزولی در یادگیری عمیق
تکنیکهای بهینهسازی در یادگیری عمیق: Adam، SGD و موارد دیگر
تنظیم مدل در شبکههای عصبی: Dropout و نرمالسازی L1/L2
انتقال یادگیری: استفاده از مدلهای از پیش آموزشدیدهشده در توسعه هوش مصنوعی
شبکههای مولد تخاصمی (GANs): مفاهیم و کاربردها
کاربردهای یادگیری عمیق در دنیای واقعی
ضمیمه دو شبکههای عصبی کانولوشنی (CNN)
شبکههای عصبی کانولوشنی (CNN)
مقدمهای بر CNN: نحوه عملکرد در یادگیری عمیق و هوش مصنوعی
معماری CNN: لایهها، فیلترها و نقشههای ویژگی
عملیات کانولوشن در شبکههای عصبی: راهنمای تصویری
لایههای تجمیع در CNN: مقایسه Max Pooling و Average Pooling
پیادهسازی CNN در TensorFlow و PyTorch
طبقهبندی تصاویر با CNN: پیادهسازی عملی
تشخیص اشیا و قطعهبندی تصاویر: YOLO و Faster R-CNN
کاربرد CNN در تصویربرداری پزشکی و هوش مصنوعی در سلامت
سپاسگزاری
ویدیوی سپاسگزاری
- این دوره مبتنی بر پروژه است و شما با اجرای ۷ پروژه واقعی مهارتهای خود را تقویت خواهید کرد.
- تمامی کدهای موردنیاز به همراه توضیحات کامل و قابل اجرا ارائه شدهاند.
- حتی اگر دانش قبلی در زمینه هوش مصنوعی ندارید، این دوره گامبهگام شما را به سطح حرفهای میرساند.
در پایان دوره، شما قادر خواهید بود هوش مصنوعی را در کسبوکارها، استارتاپها و پروژههای شخصی پیادهسازی کنید.
- ریاضیات پایه
- دانش اولیه از پایتون
این دوره برای تمام افرادی که به دنبال یادگیری آموزش هوش مصنوعی هستند، مناسب است. چه تازهکار باشید و چه تجربه قبلی در پایتون و یادگیری ماشین داشته باشید، این دوره شما را به سطح حرفهای در کار با مدلهای زبانی بزرگ و یادگیری عمیق میرساند.
خیر، این دوره از صفر شروع میکند و مفاهیم پایه یادگیری ماشین، یادگیری عمیق و پردازش دادهها را توضیح میدهد. اگر با پایتون آشنایی اولیه داشته باشید، یادگیری برای شما آسانتر خواهد بود.
خیر، این دوره کاملاً پروژهمحور است و با ۷ پروژه عملی شما را در مسیر یادگیری واقعی هوش مصنوعی و LLMها قرار میدهد.
بله، تمامی ویدئوهای آموزشی دارای زیرنویس فارسی هستند که به صورت اتوماتیک و با دقت بالا توسط هوش مصنوعی تولید شده است.
پس از خرید دوره، شما بهصورت مادامالعمر به تمامی ویدئوها، کدهای آموزشی و آپدیتهای جدید دوره دسترسی خواهید داشت.
بله، در صورتی که بیش از ۹۰٪ محتوای دوره را دیده باشید، میتوانید ضمن تماس با پشتیبانی گرولی از طریق تلگرام، درخواست دریافت گواهینامه را ارسال کنید. این گواهینامه توسط گرولی صادر میشود و ارتباطی با گواهینامه یودمی ندارد.
بله، اگر بعد از خرید دوره نتوانید به محتوای آن دسترسی داشته باشید، میتوانید حداکثر تا یک هفته بعد از خرید دوره به ما اطلاع دهید و وجه پرداختی را به صورت کامل دریافت کنید.
نظرات
متوسط امتیازات
جزئیات امتیازات
قیمت
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.