برآورد تعداد نورونها و فرآیند انتشار رو به جلو (Forward Propagation) در شبکههای عصبی
مقدمه شبکههای عصبی مصنوعی (ANN) با الهام از ساختار مغز انسان طراحی شدهاند و از گرههای متصلی به نام نورون برای حل مسائل پیچیده استفاده میکنند. همانطور که در مستندات شما ذکر شده، این لایهها و نورونها با همکاری یکدیگر ویژگیهای داده را استخراج کرده و پیشبینی نهایی را انجام میدهند. برآورد تعداد نورونها (Estimation […]
درک الگوریتم گرادیان کاهشی (Gradient Descent) و ریاضیات پشت آن
مقدمه الگوریتم گرادیان کاهشی (Gradient Descent) یکی از حیاتیترین مفاهیم در یادگیری ماشین و شبکههای عصبی است. همانطور که در مراحل قبلی یاد گرفتیم، پس از انجام انتشار رو به جلو (Forward Propagation) و محاسبه میزان خطا، حالا نوبت به اصلاح وزنها میرسد. گرادیان کاهشی ابزاری است که به ما میگوید وزنها را چقدر و […]
عیبیابی و تجسم روند آموزش شبکه عصبی با TensorBoard
مقدمه آموزش یک شبکه عصبی در بسیاری از مواقع شبیه کار کردن با یک «جعبه سیاه» است؛ دادهها را وارد میکنیم، مدل را آموزش میدهیم و منتظر نتیجه میمانیم. اما زمانی که مدل عملکرد خوبی ندارد یا اصلاً یاد نمیگیرد، سؤال اصلی این است: مشکل دقیقاً کجاست؟ معماری شبکه؟ دادهها؟ نرخ یادگیری؟ یا خود فرآیند […]
نگاهی ساده به پرسپترون چندلایه (Multilayer Perceptron – MLP)
مقدمه پرسپترون چندلایه یا Multilayer Perceptron (MLP) یکی از پایهایترین و در عین حال مهمترین مدلها در یادگیری ماشین و یادگیری عمیق است. بسیاری از مفاهیم کلیدی شبکههای عصبی—از لایهها و وزنها گرفته تا توابع فعالسازی و الگوریتم پسانتشار—برای نخستین بار در قالب MLP معنا پیدا میکنند. به همین دلیل، درک درست این مدل نقش […]
اپلیکیشن های یادگیری عمیق که یک مبتدی میتواند در چند دقیقه بسازد (با پایتون)
مقدمه یادگیری عمیق در نگاه اول ممکن است پیچیده، ترسناک و مخصوص متخصصان حرفهای به نظر برسد. اما واقعیت این است که با ابزارها و کتابخانههای امروزی، حتی افراد مبتدی هم میتوانند در مدتزمانی کوتاه، اپلیکیشنهای جذاب و کاربردی بسازند. مسئله اصلی، دانستن این است که از کجا شروع کنیم و چه پروژهای برای سطح […]
انواع شبکه عصبی در یادگیری عمیق
مقدمه در دنیای یادگیری عمیق، شبکههای عصبی نقش ستون فقرات را ایفا میکنند. هر پیشرفتی که امروز در حوزههایی مانند تشخیص تصویر، پردازش زبان طبیعی، خودروهای خودران و سیستمهای هوشمند میبینیم، حاصل استفاده از معماریهای مختلف شبکههای عصبی است. تنوع زیاد این معماریها باعث شده انتخاب مدل مناسب برای بسیاری از افراد چالشبرانگیز باشد. شبکههای […]
یادگیری عمیق پیشرفته برای بینایی کامپیوتر
مقدمه فصل قبل اولین آشنایی شما را با یادگیری عمیق برای بینایی کامپیوتر از طریق مدلهای ساده (پشتههایی از لایههای Conv2D و MaxPooling2D) و یک مورد استفاده ساده (طبقهبندی تصویر دودویی) فراهم کرد. اما بینایی کامپیوتر چیزی فراتر از طبقهبندی تصویر است! این فصل عمیقتر به کاربردهای متنوعتر و بهترین روشهای پیشرفته میپردازد. سه وظیفه […]
مقدمهای بر یادگیری عمیق برای بینایی کامپیوتر
مقدمه بینایی کامپیوتر اولین و بزرگترین داستان موفقیت یادگیری عمیق است. هر روز، شما با مدلهای بینایی عمیق در تعامل هستید—از طریق Google Photos، جستجوی تصویر گوگل، YouTube، فیلترهای ویدیویی در برنامههای دوربین، نرمافزارهای OCR و بسیاری موارد دیگر. این مدلها همچنین در قلب تحقیقات پیشرفته در رانندگی خودران، رباتیک، تشخیص پزشکی با کمک هوش […]
کار با کراس: (Keras) یک بررسی عمیق
مقدمه شما تا اینجا با Keras تجربه کسب کردهاید؛ با مدل Sequential، لایههای Dense، و APIهای توکار برای آموزش، ارزیابی، و استنتاج (شامل () compile ، () fit ، () evaluate ، و () predict) آشنا هستید. حتی در فصل 3 یاد گرفتید که چگونه از کلاس Layer ارثبری کنید تا لایههای سفارشی بسازید و […]
جریان کار جهانی یادگیری ماشین
مقدمه مثالهای قبلی ما فرض بر این داشتند که از قبل یک مجموعه داده برچسبگذاری شده در اختیار داریم و میتوانیم بلافاصله آموزش مدل را آغاز کنیم. در دنیای واقعی، اغلب اینطور نیست. شما از یک مجموعه داده شروع نمیکنید، بلکه از یک مسئله شروع میکنید. تصور کنید که شرکت مشاوره یادگیری ماشین خود را […]