سرفصل های دوره دیپ لرنینگ

• مقدمه‌ای بر یادگیری عمیق
  • شبکه عصبی با TensorFlow و Keras
  • مفهوم یادگیری انتقالی
• مدل‌سازی و آموزش
  • تعمیم پذیری مدل (generalization)
  • داده‌های اعتبارسنجی (validation set)
  • توقف یادگیری با early stopping
  • بررسی Dropout
  • جریمه برای تابع هزینه(L1,L2 Regularization)
  • ذخیره و بارگذاری مدل در Keras
  • بررسی history
• شبکه‌های عصبی
  • شبکه‌های عمیق
  • شبکه‌های کانولوشن (CNN)
  • شبکه‌های بازگشتی (RNN)
• تکنیک‌های بهبود مدل
  • بهبود مدل
  • بررسی Data Augmentation
  • اعمال augmentation روی دیتاست CIFAR10
• یادگیری انتقالی (Transfer Learning)
  • بررسی مدل‌های از قبل آموزش داده شده
  • یادگیری انتقالی در Keras
• پردازش زبان طبیعی (NLP)
  • مفاهیم اولیه (متن کاوی و پردازش زبان طبیعی)
  • استخراج ویژگی متنی به روش Bagofword , tf-idf
  • بهبود ویژگی‌های متنی
• معماری‌های پیشرفته
  • Autoencoder
  • بررسی معماری autoencoder
  • مثال تصویر در Dense Autoencoder
  • Convolutional Autoencoder
  • بررسی معماری U-Net
  • بهینه سازه بهبود مثال تصویر با U-Net
  • بررسی مساله image segmentation
• پروژه‌ها و مثال‌ها
  • پروژه بخش بندی تصویر پزشکی
  • بخش اول
  • بخش دوم