دوره رایگان یادگیری عمیق و شبکه های عصبی

✔️ بررسی دقیق رفتار و معادلات هر نورون

✔️ مفهوم وزن و بایاس در شبکه عصبی

✔️ مفهوم لایه ها در شبکه عصبی عمیق

✔️ بررسی دقیق محاسبات در شبکه عصبی

✔️ بررسی دقیق  ویژگی های بایاس در شبکه های عصبی

✔️ نحوه محاسبه خطا در شبکه

✔️ تابع هزینه – تابع خطا (cost function/loss function)

✔️ انواع loss function در شبکه عصبی

✔️ نحوه آپدیت وزن و بایاس در شبکه عصبی

✔️ نحوه بهینه سازی در شبکه عصبی

✔️ مفهوم feed forward و بررسی پس انتشار (back propagation)

✔️ نحوه انجام پس انتشار خطا در یک شبکه عصبی

✔️ محاسبه رابطه گرادیان برای آپدیت وزن ها و بایاس ها در شبکه عصبی

✔️ دلیل اهمیت مشتق پذیر بودن تابع فعالسازی (activation function)

✔️ مفهوم تکرار شونده (iterative) بودن شبکه عصبی

✔️ مفهوم تابع فعالسازی (activation function)

✔️ انواع توابع فعالسازی و کاربردهای این توابع

✔️ محوشدگی گرادیان vanishing gradient

✔️ تاثیر توابع فعالساز در محوشدگی گرادیان

✔️ مفهوم epoch, batch, mini batch, batch size

✔️ دلیل استفاده از mini batch و تاثیر آن بر یادگیری

✔️ بررسی مفهوم optimizer ها در شبکه عصبی

✔️ بررسی مفهوم گرادیان کاهشی و الگوریتم گرادیان کاهشی (gradient descent)

✔️ بررسی دقیق انواع بهینه سازها

✔️ بررسی مفهوم کمینه محلی (local minimum) و کمینه سراسری (global minimum)

✔️ تاثیر بهینه سازها (optimizers) در پیدا کردن کمینه محلی و کمینه سراسری

✔️ الگوریتم stochastic gradient descent

✔️ الگوریتم مومنتوم momentum

✔️ بررسی نرخ یادگیری (learning rate)، نرخ یادگیری بهینه و نرخ یادگیری داینامیک

✔️ تغییر نرخ یادگیری (learning rate) در حین یادگیری شبکه

✔️ بررسی الگوریتم های: AdaGrad, RMSProp, Adam

✔️ شبکه عصبی کانولوشن چیست؟

✔️ بررسی اجزای تشکیل دهنده شبکه عصبی کانولوشن

✔️ مقایسه شبکه عصبی تماما متصل و شبکه های عصبی کانولوشن

✔️ بررسی معماری شبکه عصبی کانولوشن

✔️ یادگیری عمیق در پایتون با استفاده از تنسورفلو و کراس

✔️ شبکه عصبی کانوولوشن با تنسورفلو و کراس