مدلسازی را از دادههای جدولی به زمان، متن و تصویر گسترش دهید
منطق شبکههای عصبی عمیق را بفهمید، با TensorFlow و Keras مدل بسازید و در سناریوهای کاربردی سری زمانی، NLP، Computer Vision و Transfer Learning تجربه عملی کسب کنید؛ سپس تصویری روشن از مدلهای مولد و LLMها به دست آورید.
پس از یادگیری ماشین کلاسیک
وقتی ویژگیها فقط چند ستون مرتب نیستند
در متن، تصویر و دنبالههای زمانی، بخش مهمی از مسئله یادگیری نمایش مناسب داده است. یادگیری عمیق امکان میدهد شبکه، نمایشهای مفید را همراه با هدف مدلسازی بیاموزد؛ اما این قدرت بدون طراحی آزمایش و ارزیابی درست میتواند گمراهکننده باشد.
برداشتهای ناقص رایج
- استفاده از شبکه عمیق برای هر مسئله، بدون Baseline
- تمرکز روی معماری و نادیدهگرفتن کیفیت داده
- یکیگرفتن کاهش Loss با حل واقعی مسئله
- آموزش مدل بزرگ از صفر با داده محدود
- گزارش Accuracy بدون تحلیل خطا و تعمیمپذیری
رویکرد این کورس
- گذر منطقی از Machine Learning به Deep Learning
- ساخت و آموزش مدل با TensorFlow و Keras
- شناخت آمادهسازی مخصوص هر نوع داده
- ارزیابی مدل در سناریوهای کاربردی
- استفاده هدفمند از Transfer Learning
معماری برنامهریزیشده
شش هفته از شبکه عصبی تا مدلهای مولد
این ساختار از Sheet مرجع بازتولید کورس استخراج شده است و ممکن است هنگام نهاییشدن ضبط، تغییرات جزئی در ترتیب یا مصداقهای عملی داشته باشد.
مبانی Deep Learning و Keras
چرایی یادگیری عمیق، Representation Learning، DNN، لایهها، Activation و Backpropagation و ساخت یک شبکه ساده با TensorFlow/Keras.
Sequence و Time Series
چالشهای RNN، معماری LSTM، اجزای داده زمانی و مدلسازی مقدار یا جهت در یک دنباله.
NLP و داده متنی
Tokenization، Lemmatization و Stop Words، بردارسازی و Word Embedding و ساخت مدل LSTM برای یک مسئله متنی.
Computer Vision و CNN
مفاهیم بینایی ماشین، لایههای Convolution، آمادهسازی و Data Augmentation، ساخت و ارزیابی CNN.
Transfer Learning
مدلهای Pre-trained مانند VGG، ResNet و BERT، استفاده عملی و بهینهسازی مدل برای وظیفه هدف.
Generative Models و LLM
مروری بر GAN و VAE، مدلهای زبانی بزرگ، آشنایی با RAG و Fine-tuning و استفاده مقدماتی از LangChain در Python.
سه جهان داده
هر نوع داده، نمایش و معماری مناسب خود را میخواهد
ارزش کورس فقط در تعداد الگوریتمها نیست؛ در تجربه تغییر شکل مسئله و آمادهسازی داده برای Modalities مختلف است.
دادههای زمانی
شناخت ترتیب، وابستگی زمانی و Windowing و استفاده از LSTM برای پیشبینی مقدار یا جهت دنباله.
دادههای متنی
پاکسازی و Tokenization، تبدیل متن به نمایش عددی و ساخت مدلی که الگوی توالی واژهها را یاد بگیرد.
دادههای تصویری
آمادهسازی و افزایش داده، استخراج الگوهای مکانی با Convolution و تحلیل عملکرد مدل CNN.
داده چندورودی
آشنایی با سناریویی که اطلاعات زمانی و ویژگیهای جدولی بهطور همزمان وارد مدل میشوند.
مدلهای Pre-trained
استفاده از نمایشهای ازپیشآموخته برای کاهش هزینه داده و آموزش و انطباق با مسئله جدید.
مدلهای مولد و زبانی
ساخت تصویر مفهومی از GAN، VAE، LLM، RAG و Fine-tuning برای انتخاب ادامه مسیر تخصصی.
حوزههای تجربه عملی
چهار سناریو برای عبور از تئوری به مدل
حوزههای زیر در برنامه بازتولید کورس ثبت شدهاند. عنوان نهایی پروژه، Dataset یا جزئیات معماری ممکن است پیش از انتشار نسخه نهایی تغییر کند.
یادگیری الگو در دنبالهها
دو تجربه متفاوت با معماریهای Sequence
سناریوی پیشبینی داده مالی
ساخت مدل برای پیشبینی مقدار یا جهت روزانه و تجربه ترکیب داده زمانی با ویژگیهای جدولی.
سناریوی تحلیل احساسات متن
پیشپردازش، بردارسازی و آموزش LSTM برای طبقهبندی یا تحلیل محتوای متنی.
از CNN اختصاصی تا مدل ازپیشآموزشدیده
مدلسازی تصویری با دو سطح پیچیدگی
سناریوی طبقهبندی تصویر
آمادهسازی و Augmentation، ساخت CNN و ارزیابی مدل روی یک مسئله تصویری.
انطباق مدل Pre-trained
استفاده از یک مدل آماده برای طبقهبندی تصویر یا وظیفه NLP و بهینهسازی آن برای مسئله هدف.
استفاده از LLM در یک جریان Python
ورود کنترلشده به مفاهیم GenAI
LLM · LangChain
اتصال مدل زبانی به یک سناریوی کاربردی
با سازوکار کلی مدلهای زبانی، RAG و Fine-tuning آشنا میشوید و استفاده مقدماتی از LangChain را در یک پیادهسازی Python تجربه میکنید. این بخش برای ساخت دید و تجربه اولیه است، نه جایگزین یک مسیر تخصصی Generative AI.
- ۱شناخت مسئله و مدل
- ۲استفاده از ابزار آماده
- ۳پیادهسازی مقدماتی
- ۴شناخت مسیر ادامه
دستاورد کورس
در پایان، چه توانمندیهایی را تمرین کردهاید؟
فهم معماری عمیق
نقش لایه، Activation، Backpropagation و Representation را در آموزش مدل توضیح میدهید.
ساخت مدل با Keras
یک شبکه عصبی را تعریف، آموزش و براساس خروجیهای یادگیری بررسی میکنید.
مدلسازی دنباله
داده زمانی یا متنی را برای ورود به RNN/LSTM آماده و مدلسازی میکنید.
مدلسازی تصویر
Pipeline آمادهسازی، Augmentation، CNN و ارزیابی مسئله تصویری را تجربه میکنید.
Transfer Learning
یک مدل Pre-trained را برای مسئله هدف انتخاب و بهصورت مقدماتی سازگار میکنید.
شناخت GenAI
تفاوت کلی مدل مولد، LLM، RAG و Fine-tuning و جایگاه هریک را تشخیص میدهید.
مرزبندی صادقانه
کورس کاربردی چندحوزهای؛ نه تخصص عمیق در تمام شاخهها
شش هفته برای ساخت تجربه و نقشه ذهنی در چند نوع داده طراحی شده است. تسلط حرفهای بر Time Series، NLP، Computer Vision یا Generative AI به پروژههای بیشتر، مطالعه معماریهای پیشرفته و تمرین تخصصی در حوزه انتخابی نیاز دارد.
| حوزه | جایگاه در این کورس |
|---|---|
| DNN و پیادهسازی با TensorFlow/Keras | پوشش محوری |
| LSTM و مدلسازی داده زمانی | پوشش کاربردی |
| NLP، Word Embedding و تحلیل احساسات | پوشش کاربردی |
| CNN و طبقهبندی تصویر | پوشش کاربردی |
| Transfer Learning و مدلهای Pre-trained | پوشش محوری و عملی |
| GAN، VAE، LLM، RAG و Fine-tuning | آشنایی و تجربه مقدماتی؛ نه مسیر تخصصی GenAI |
| Deployment، Serving، Monitoring و MLOps | خارج از دامنه این کورس |
جایگاه کورس
کورس دوم گام مدلساز دادهمحور
این کورس پس از «دادهکاوی و یادگیری ماشین کاربردی» قرار میگیرد: ابتدا فرایند مدلسازی و ارزیابی روی دادههای ساختیافته را میسازید و سپس دامنه تجربه را به دادههای زمانی، متنی و تصویری گسترش میدهید.
گام مدلساز دادهمحور
ترکیب یادگیری ماشین کلاسیک و یادگیری عمیق کاربردی برای ساخت دامنه مدلسازی گستردهتر.
- فرایند آمادهسازی و ارزیابی مدل
- Classification، Regression و Clustering
- Time Series، NLP، Vision و Transfer Learning
مسیر دانشمند داده
در مسیر کامل، مدلسازی در کنار تحلیل آماری، ارائه مدیریتی، Python، منابع داده و پایههای فنی قرار میگیرد.
- تحلیل و استدلال آماری
- مدلسازی کلاسیک و عمیق
- مهارتهای فنی و پروژهای
مخاطب و پیشنیاز
این کورس برای شما مناسب است اگر…
انتخاب مناسبی است اگر
- فرایند Machine Learning و ارزیابی مدل را قبلاً تجربه کردهاید.
- با Python و کار با داده و کتابخانههای تحلیلی راحت هستید.
- میخواهید از داده جدولی به متن، تصویر و سری زمانی برسید.
- برای انتخاب شاخه تخصصی Deep Learning به تجربه چندحوزهای نیاز دارید.
ابتدا پایهها را تکمیل کنید اگر
- هنوز با Train/Test، Overfitting و معیارهای ارزیابی آشنا نیستید.
- Python، NumPy یا کار با Dataset برایتان دشوار است.
- انتظار دارید در همین کورس به متخصص حرفهای NLP یا CV تبدیل شوید.
- هدف اصلی شما استقرار Production و MLOps است.
پیش از ثبتنام
پرسشهای پرتکرار
آیا کورس از صفر شروع میشود؟
کورس از گذر Machine Learning به Deep Learning آغاز میشود، اما آموزش Python یا مفاهیم پایه مدلسازی از صفر نیست. آشنایی با آمادهسازی داده، Train/Test، Overfitting و معیارهای ارزیابی لازم است.
آیا پروژههای زمانی، متنی و تصویری قطعیاند؟
حوزههای Time Series، NLP، Computer Vision و Transfer Learning در برنامه مرجع ثبت شدهاند. چون محتوا در حال بازتولید است، عنوان دقیق، Dataset یا معماری نهایی پروژه ممکن است تغییر جزئی کند.
آیا TensorFlow و Keras آموزش داده میشوند؟
بله. اجزای Keras معرفی میشوند و ساخت و آموزش شبکههای عصبی، LSTM و CNN با TensorFlow/Keras در برنامه قرار دارد.
آیا این کورس شامل Generative AI و LLM است؟
یک بخش آشنایی با GAN، VAE، LLM، RAG، Fine-tuning و استفاده مقدماتی از LangChain وجود دارد. این بخش مقدمه کاربردی است و جایگزین مسیر تخصصی Generative AI و Agentic Systems نیست.
آیا Deployment مدل هم پوشش داده میشود؟
خیر. تمرکز کورس روی ساخت و ارزیابی مدل در چند نوع داده است. Serving، Containerization، Monitoring، CI/CD و MLOps در مسیرهای مهندسی تکمیل میشوند.
این کورس بهتنهایی برای شغل Deep Learning Engineer کافی است؟
خیر. کورس پایه کاربردی و تجربه چندحوزهای میسازد. نقش مهندسی حرفهای به دانش عمیقتر ریاضی، مهندسی نرمافزار، بهینهسازی، Deployment، زیرساخت و پروژه تخصصی بیشتر نیاز دارد.
قدم بعدی
مدلسازی را فراتر از دادههای جدولی تجربه کنید
فهرست برنامه در حال بازتولید را بررسی کنید یا گزینههای ثبتنام کورس را در باکس رسمی محصول ببینید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.