پست وبلاگ

آموزش ویديویی قدم به قدم یادگیری عمیق توسط Yann Lecun خالق شبکه های کانولوشنی ۲۰۱۴ و ۲۰۱۵

آموزش ویديویی قدم به قدم یادگیری عمیق توسط Yann Lecun خالق شبکه های کانولوشنی ۲۰۱۴ و ۲۰۱۵

بسم الله الرحمن الرحیم

سلام به همگی . بنظر میاد امسال سال خیلی فوق العاده ای برای کسایی هست که تازه شروع کردن به یادگیری عمیق!

آموزشی که امروز قرار میدم توسط خالق شبکه های کانولوشن و استاد دانشگاه نیویورک و ریس بخش تحقیقات هوش مصنوعی فیس بوک آقای یان لیکان هست.

پیشنهاد میکنم حتما آموزش های ایشون رو ببینید.

لیست سرفصل ها هم بصورت زیر هست :‌

  • learning representations of data.
  • the energy-based view of model estimation.
  • basis function expansion
  • supervised learning in multilayer architectures. Backpropagation
  • optimization issues in deep learning
  • heterogeneous learning systems, modular approach to learning.
  • convolutional nets
  • applications to image recognition
  • structured prediction, factor graphs and deep architectures
  • applications to speech recognition
  • learning embeddings, metric learning
  • recurrent nets: learning dynamical systems
  • recursive nets: algebra on representations
  • the basics of unsupervised learning
  • the energy-based view of unsupervised learning
  • energy-shaping methods for unsupervised learning
  • decoder-only models: K-means, sparse coding, convolutional sparse coding
  • encoder-only models: ICA, Product of Experts, Field of Experts.
  • the encoder-decoder architecture
  • Sparse Auto-encoders,
  • Denoising, Contracting, and Saturating auto-encoders
  • Restricted Boltzmann Machines. Contrastive Divergence.
  • learning invariant features: group sparsity
  • feature factorization
  • scattering transform
  • software implementation issues. GPU implementations.
  • parallelizing deep learning
  • theoretical questions
  • open questions
  1. لینک صفحه ۲۰۱۴
    1. صفحه ویديوها
  2. لینک صفحه ۲۰۱۵
    1. لینک ویديوها ۲۰۱۵

تو لینک مربوط به سال ۲۰۱۵ اطلاعات مربوط به تورچ و… هست و یه آموزش کامله .

امیدوارم که خوشتون بیاد و بهترین استفاده رو از این آموزشها ببرید .

التماس دعا

سید حسین حسن پور متی کلایی

درباره ی سید حسین حسن پور متی کلایی

موسس و مدیر سایت. اطلاعات در مورد فعالیت های کاری و تحصیلی : linkedIn . برای ارتباط از بخش تماس با ما یا در باره من استفاده کنید.

مقالات مرتبط

12 دیدگاه در “آموزش ویديویی قدم به قدم یادگیری عمیق توسط Yann Lecun خالق شبکه های کانولوشنی ۲۰۱۴ و ۲۰۱۵

  1. با عرض سلام و خسته نباشید
    من می خواستم با استفاده از دیپ لرنینگ یک پروژه تشخیص نام استانها (دستنویس)رو انجام بدم اگر امکانش هست و مقدوره من رو راهنمایی کنید که از کجا و چگونه شروع کنم.
    البته یه چیزایی تو ذهنم هست ولی در مورد صحتش شک دارم مثلا اینکه اول باید چند صد نمونه دستنویس تهییه کنم سپس با پردازش تصویر آمادشون کنم بعد اگر لازم بود کاهش ابعادش بدم بعد (شبکه عصبی) دیپ لرنینگ رو باهاش آموزش بدم و بعد از یافتن وزن ها می تونم با استفاده از ورودی نمونه ای بگیرم و به نرم افزار بدم تا طبقه بندی کنه
    اگر این مطالب نادرسته یا نیاز به اطلاح داره(که حتما داره) منو راهنمایی کنید
    ضمنا برای استفاده از دیپ لرنینگ از چه تولزی باید استفاده بشه اگر امکان داره یک مقدار در موردش توضیح میدید
    بسیار از شما متشکرم

    1. سلام .
      این کار قبلا انجام شده و میتونید با یه سرچ ساده مقاله های خوبی تو این زمینه پیدا کنید.
      فکر میکنم این شروع خوبی باشه : https://crypto.stanford.edu/~dwu4/papers/ICPR2012.pdf
      این مقاله توسط اندرو ان جی استاد دانشگاه استنفورد انجام شده و تقریبا قدیمیه (۲۰۱۲ ) و احتمالا بتونید با پیشرفتهای خیلی خوبی که صورت گرفته و مقاله های جدیدتر این حوزه نتایج خیلی خوبی بدست بیارید .
      در مورد دیتاست و اندازه اش یک اصل کلی اینه که تا جایی که ممکنه دیتاست بزرگتری داشته باشید هرچقدر دیتاست شما بزرگتر باشه نتیجه نهایی بهتر و دقیقتر میشه .
      بله روش کلی تهیه یه دیتاست هست و بعدش آموزش یک شبکه که بعد از اینکه به دقت مناسب رسید میتونید از مدل اموزش دیده برای دسته بندی استفاده کنید
      ولی اینکه دقیقا تعداد نمونه ها در دیتاست شما چقدر باید باشه من تو این زمینه چون تجربه ای ندارم نمیتونم چیز خاصی بگم جز اینکه از مقالات مختلف به یه ایده تو این حوزه برسید .
      در مورد بقیه چیزا اول باید بگید که دیپ لرنینگ آشنا هستید باهاش یا نه ؟ اگر نه پیشنهاد میکنم اول یکبار مطالب سایت رو بخونید بعد یک سر به بخش منابع و ابزارها و دیتاست ها بزنید .
      من سعی کردم یکسری توضیحات اولیه در این باره بدم ولی خب زیاد نیستن (انشاالله بعد اینکه وقتم ازاد شد بیشتر تو این زمینه ها توضیح میدمو مطلب میزارم)
      شما با استفاده از منابعی که هست خیلی خوب و سریع میتونید (اگر زبان انگلیستون خوب باشه) با این زمینه آشنا بشید و تحقیقاتتون رو شروع کنید و پیش ببرید

  2. سلام
    لینک مربوط به ویدئوها خطا میده و میگه این لینک وجود نداره و یا حذف شده. برای سال ۲۰۱۵ خطای ۴۰۴ میده.
    شما این ویدئوها رو دارید؟

  3. سلام جناب حسن پور. در ابتدا از زحماتتون قدردانی میکنم که سایت به این خوبی دارید. می خواستم بگم فیلمهای آقای yann دانلود نمیشه و ارور میده چجوری تمامی این ویدئوهارو بگیرم.ممنون و سپاس

  4. سلام
    برای یادگیری سریع به منظور انجام یک پروژه پیشنهادی ندارید؟
    مقاله خاصی مد نظرتون نیست؟
    برای کد نویسی هم آموزشی هست؟

    1. سلام
      شما باید مفاهیم رو بلد باشید که پیاده سازی انجام بدید
      آموزش ها الان خیلی زیاده . تنسورفلو ، تورچ و ثیانو و…
      به همین منظور یادگیری اولیه مهمه . برای شروع هم میتونید آموزش دانشگاه استنفورد رو دنبال کنید که از این خیلی بهتره.
      کدنویسی هم بسته به فریم ورک متفاوت هست.
      تنسورفلو و ثیانو اموزشهای زیادی دارن
      کفی هم اموزشهاش در سایت هست
      بستگی به خودتون داره

  5. سلام
    لینک فیلم های ۲۰۱۵ دانلود نمیشه و ارور ۴۰۴ میده من اون قسمت تورچ رو خواستم دانلود کنم. اگه شما دارید امکانش هست که ایمیل کنید یا جایی اپلود کنید دانلود کنیم؟
    یه سوال دیگه داشتم من میخواستم یه پروژه انجام بدم با دیپ لرنینگ برای تشخیص اشکال هندسی ساده و در اولین قدم به مشکل دیتا بیس خوردم به imsgenet , mnistو CIFAR1۰ اما همه شکل های دایره مثلا از محیط اطراف بود ولی من دایره های مختلف کشیده شده روی برگه آ۴ میخوام یا مربع یا مثلث یا….
    چطور میتونم اینکار رو انجام بدم چون به نظر ساده میاد ولی چیزی پیدا نشد براش

    1. سلام .
      من دارم اما کیفیتشون مناسب نیست و متاسفانه امکان آپلودشون رو هم فعلا ندارم .
      آموزش ویدئویی تورچ رو بصورت جداگانه سعی میکنم زودتر بزارم در سایت . (البته Pytorch.org هم هست که مستندات خیلی خوبی داره و از همون میتونید استفاده کنید)
      در مورد سوال دومتون متوجه نشدم منظورتون چیه. لطفا بیشتر توضیح بدید

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *