دوره تابستانه یادگیری عمیق مرکز تحقیقات هوش پارت

شروع رویداد
در ۲ سانس
مکان رویدادتهران
موضوع رویدادتکنولوژی / آموزش
اضافه به تقویم
دوره تابستانه یادگیری عمیق مرکز تحقیقات هوش پارت
برگزارکننده‌ی رویداد
تماس با برگزارکننده
۰۲۱۸۸۵۴۱۱۵۷-۹
گزارش
مهلت ثبت‌نام برای این رویداد به پایان رسیده است.

توضیحات تکمیلی دوره مقدماتی

 به نام خدا،

بر اساس تجربه موفق حاصل شده از دوره پیشین، مرکز هوش پارت، اقدام به برگزاری دوره جامع یادگیری عمیق دیگری با هدف ترویج بیشتر دستاوردهای یادگیری عمیق و آشنایی علاقه مندان با شرکت های فعال ایرانی هوش مصنوعی در دو سطح مقدماتی و پیشرفته در تابستان 1397 نموده است.

دوره مقدماتی

دوره مقدماتی که در سه روز و در 24 تا 26 مرداد برگزار می­ شود شامل مباحث پایه ای یادگیری عمیق است و هدف اصلی از برگزاری آن آشنایی دانش آموختگان با مباحث کلی یادگیری عمیق و آماده سازی آن ها جهت شرکت در دوره پیشرفته می ­باشد. سرفصل مباحثی که دوره مقدماتی مطرح می شوند عبارتند از:

  • مقدمه ای بر شبکه‌های عصبی و یادگیری عمیق

  • اکوسیستم پایتون برای یادگیری عمیق و پیاده سازی شبکه های عصبی با کتابخانه کراس

  • شبکه های عصبی کانولوشنال و بینایی ماشین 

  •  پردازش موازی و یادگیری عمیق

  • مدل های زبانی و تعبیه سازی کلمات

  • مدل های ترتیبی و یادگیری عمیق در پردازش زبان طبیعی

  • یادگیری عمیق بدون نظارت و خودرمزنگارها (Autoencoder)

  • آموزش کتابخانه یادگیری عمیق Fastai

  • یادگیری عمیق برای داده های ساختاریافته (جدولی) و سیستم های پیشنهاددهنده

 

 

جزئیات هر کدام از سرفصل های ارائه شده به صورت زیر است:

 

مقدمه ای بر یادگیری عمیق و شبکه‌های عصبی-علیرضا اخوان پور

  • یادگیری عمیق چیست؟
  • کاربردهای یادگیری عمیق
  • شواهد زیستی و اتصالات
  • معماری شبکه عصبی
  • معرفی و بررسی انواع توابع فعال سازی ( activation function)
  • معرفی مدل های پرسپترون چندلایه (MLP یا multi-layer Perceptron)
  • انواع توابع هزینه در شبکه های عصبی (Cost Functions یا Loss Function)
  • یادگیری و آموزش شبکه های عصبی

اکوسیستم پایتون برای یادگیری عمیق و پیاده سازی شبکه های عصبی با کراس-علیرضا اخوان پور

  • معرفی پایتون و کتابخانه های علمی و یادگیری ماشین پایتون
  • آموزش مقدماتی کتابخانه یادگیری ماشین scikit-learn
  • معرفی و آموزش کتابخانه یادگیری عمیق Keras
  • بررسی عملی تفاوت روش های سطحی یادگیری ماشین و یادگیری ماشین با پیاده سازی

شبکه های عصبی کانولوشنال و بینایی ماشین-علیرضا اخوان پور

  • معرفی و آشنایی با رویکرد آموزش کرنل یا فیلترهای کانولوشنال به جای طراحی فیلتر
  • مروری بر کانولوشن Same و Valid
  • مشکلات کانولوشن valid در طراحی شبکه‌های کانولوشنالی و فرمول اندازه خروجی پس از کانولوشن
  • فرمول محاسبه مقدار padding برای کانولوشن same
  • معرفی strided convolution
  • کانولوشن روی کانال‌های تصویر (کانولوشن سه بعدی)
  • چند فیلتر در کانولوشن و خروجی چند کاناله
  • محاسبه تعداد پارامترها در هر لایه کانولوشن
  • معرفی واحدهای pooling و ادغام بیشینه
  • بررسی  چندین معماری معروف کانولوشنالی 
  • انتقال یادگیری (Transfer Learning)

پیاده سازی شبکه های عصبی کانولوشنال با پایتون (Keras) و انتقال یادگیری-علیرضا اخوان پور

  • پیاده سازی شبکه عصبی کانولوشنالی در کتابخانه کراس و آشنایی با لایه‌های Conv2D و MaxPooling2D
  • آشنایی با متد Flatten برای لایه ماقبل Dense
  • بررسی ابعاد activation هر لایه: حساب دستی و آشنایی با متد ()summary
  • بررسی Sigmoid و Softmax برای لایه آخر

مدل های ترتیبی و یادگیری عمیق در پردازش زبان طبیعی-ابوالفضل مهدی زاده

  • Introduction to Sequences and Time Series
  • (Introduction to Recurrent Neural Networks (RNNs
  • What is LSTMs
  • Introduction to Deep NLP
  • به همراهی پیاده سازی مثال هایی از شبکه های RNN، LSTM در کتابخانه کراس برای پیشبینی سری های زمانی، تولید متن، ترجمه ماشینی و ...

پردازش های سریع و کاربردهای پردازش موازی در یادگیری عمیق - فرخ کریمی

  • معرفی مفاهیم پردازش موازی و کاربردهای آن
  • انتخاب یک سیستم مناسب برای پردازش های سریع
  • معرفی ابزارهای پردازش سریع برای پلتفرم های مختلف
  • مقدمه ای بر مفاهیم همزمانی و صف بندی
  • مقایسه همزمانی با موازی سازی
  • مقدمه ای بر مفاهیم موازی سازی بر روی CPU، TPU، GPU
  • Cuda و CuDNN

یادگیری عمیق بدون نظارت و خودرمزنگارها (Autoencoder)-مسعود پوررضا

  • استخراج ویژگی (روش های دستی و یادگیری عمیق)
  • ویژگی خوب چه ویژگی ای است؟
  • اتوانکدر چیست؟
  • اتوانکدر در شاخه های مختلف (متن،تصویر،صوت و ...)
  • معرفی و بررسی انواع اتوانکدرها شامل (Variational،Sparse، Denoising، Convolutional و Stacked) 
  • پیاده سازی اتوانکدرها با کتابخانه کراس

مدل های زبانی و تعبیه سازی کلمات-سعید بی باک

  • مدل زبانی چیست؟ و کاربردهای آن چه هستند؟
  • معرفی کتابخانه های پردازش زبان طبیعی در پایتون SpaCy، FastText، Gensim و ....
  • بررسی مفهوم بردار کلمات
  • معرفی بردار کلمات Word2Vec
  • پیاده سازی عملی بردار کلمات Word2Vec

آموزش کتابخانه Fastai-محمد چناریان نخعی

  • مقایسه ای بین فریمورک های یادگیری عمیق مانند تنسورفلو و پایتورچ
  • معرفی کتابخانه fastai
  • روش های انتخاب بهینه نرخ یادگیری و بهبود دقت مدل
  • مثالی عملی برای دسته بندی تصاویر

یادگیری عمیق برای داده های ساختاریافته (جدولی) و سیستم های پیشنهاددهنده-محمد چناریان نخعی

  • تفاوت داده های ساختار یافته و بدون ساختار
  • روش های سنتی یادگیری ماشین برای کار با داده های جدولی
  • معرفی روش Entity Embedding برای کار با متغیرهای دسته ای Categorical
  • پیاده سازی Entity Embedding با استفاده از کتابخانه fastai 
  • کاربرد یادگیری عمیق برای سیستم های پیشنهاددهنده و Collaborative Filtering

 

برای کسب اطلاعات بیشتر در خصوص دوره به کانال های ارتباطی ما در شبکه های اجتماعی بله، تلگرام و سروش بپیوندید

 

تیم علمی دوره مقدماتی

دکتر محمد سبکرو

دکتر محمد سبکرو

دبیر علمی دوره - پژوهشگاه دانش های بنیادی (IPM)

علیرضا اخوان پور

علیرضا اخوان پور

پژوهشگر یادگیری عمیق و مدرس دانشگاه شهید رجایی

ابوالفضل مهدی زاده

ابوالفضل مهدی زاده

پژوهشگر یادگیری عمیق در سُبحه

محمد چناریان نخعی

محمد چناریان نخعی

پژوهشگر یادگیری ماشین در مرکز تحقیقات هوش پارت

فرخ کریمی

فرخ کریمی

توسعه دهنده سخت افزار و نرم افزار مرکز تحقیقات هوش مصنوعی پارت. پژوهشگر مرکز مهندسی مغز پژوهشگاه دانش های بنیادی (IPM)

مسعود پوررضا

مسعود پوررضا

پژوهشگر بینایی ماشین در مرکز تحقیقات هوش پارت

سعید بی باک

سعید بی باک

پژوهشگر پردازش زبان طبیعی در مرکز تحقیقات هوش پارت

زمان‌بندی دوره مقدماتی

روز اول
روز دوم
روز سوم
عنوانشروعپایان
آغاز و خوش‌آمدگویی۸:۱۵۸:۳۰
مقدمه ای بر شبکه های عصبی۸:۳۰۱۰:۰۰
بررسی اکوسیستم پایتون برای یادگیری عمیق و پیاده سازی شبکه های عصبی با کراس۱۰:۳۰۱۲:۳۰
پردازش موازی و یادگیری عمیق-بخش اول۱۳:۳۰۱۵
پردازش موازی و یادگیری عمیق-بخش دوم۱۵:۳۰۱۷
عنوانشروعپایان
پیاده سازی شبکه های عصبی کانولوشنال با پایتون (Keras) و انتقال یادگیری۸:۳۰۱۰
پیاده سازی شبکه های عصبی کانولوشنال با پایتون (Keras) و انتقال یادگیری۱۰:۳۰۱۲:۳۰
یادگیری عمیق بدون نظارت و خودرمزنگارها۱۳:۳۰۱۵
مدل های زبانی و تعبیه سازی کلمات۱۵:۳۰۱۷
عنوانشروعپایان
مدل های ترتیبی و پردازش زبان طبیعی - بخش اول۸:۳۰۱۰
مدل های ترتیبی و پردازش زبان طبیعی - بخش دوم۱۰:۳۰۱۲:۳۰
دسته بندی تصاویر با استفاده از کتابخانه fastai۱۳:۳۰۱۵:۳۰
یادگیری عمیق برای داده های جدولی و سیستم های پیشنهاددهنده۱۵:۳۰۱۷:۰۰

توضیحات تکمیلی دوره پیشرفته

دوره پیشرفته

در ادامه دوره مقدماتی ما دوره پیشرفته یادگیری عمیق را به صورت چند دوره جداگانه برگزار می کنیم. اولین دوره پیشرفته در تاریخ 8 و 9 شهریور ماه برگزار می شود و ما سرفصل های زیر را ارائه می دهیم:

  • One-shot learning: Face Verification & Recognition 1 -علیرضا اخوان پور
  • یادگیری عمیق تقویتی-مهندس بادنوا
  • پایتورچ-مسعود پوررضا
  • تنسورفلو مقدماتی و پیشرفته (Tensorflow)- ابوالفضل مهدی زاده

 

سرفصل های دوره پیشرفته با جزئیات بیشتر به صورت زیر هستند: 

 

  • one-shot learning: Face Verification & Recognition 1 - علیرضا اخوان پور
    Siamese network
    facenet triplet loss
  • one-shot learning: Face Verification & Recognition 2 - علیرضا اخوان پور
    Discriminative Feature
    Center loss

تنسورفلو مقدماتی و پیشرفته (Tensorflow) -ابوالفضل مهدی زاده

  • اصول ابتدایی تنسورفلو

- سطوح مختلف API ها در تنسورفلو

  • سطح پائین
  • سطح میانه
  • سطح بالا

- ساختار شبکه های عصبی در تنسورفلو

  •    مثالی عملی از پیاده سازی برای مسائل رگرسیون
  •   مثالی عملی از پیاده سازی برای مسائل طبقه بندی

- شبکه های پیشرفته تر

  • CNN
  • RNN
  • SAE

 

یادگیری عمیق تقویتی - مهندس بادنوا

o Difference between RL and other machine learning methods
o Applications
o Basic definitions of RL (MDP and policy function)
o Difference between model-based and model-free methods
o SARSA (an on-policy method)
o Q learning method (an off-policy method)
o A simple code and the training process
o Policy search and value estimation
o Value approximation
o Deep neural networks
o Deep Q network (DQN) a value approximation method which uses deep neural
networks
o Policy estimation using deep neural networks
o A simple code using Tensorflow 

 

 پایتورچ مقدماتی و پیشرفته- مسعود پوررضا

  • مفهوم تنسور
  • مفهوم گراف محاسباتی
  • تفاوت تنسورفلو و پایتورچ
  • تفاوت پایتورچ نسخه 0.4 با نسخه های قبلی
  • ساختار داده ها و عملگرها در پایتورچ
  • کار با GPU در پایتورچ
  • خواندن دیتا با استفاده از DataLoader و Dataset در پایتورچ
  • دسته بندی با استفاده از شبکه های کانولوشنالی در پایتورچ
  • پردازش زبان طبیعی با پایتورچ
  • پیاده سازی شبکه های عریض در پایتورچ



تیم علمی دوره پیشرفته

دکتر محمد سبکرو

دکتر محمد سبکرو

دبیر علمی دوره - پژوهشگاه دانش های بنیادی (IPM)

مهندس بادنوا

مهندس بادنوا

متخصص یادگیری تقویتی

مسعود پوررضا

مسعود پوررضا

پژوهشگر بینایی ماشین در مرکز تحقیقات هوش پارت

علیرضا اخوان پور

علیرضا اخوان پور

پژوهشگر یادگیری عمیق و مدرس دانشگاه شهید رجایی

ابوالفضل مهدی زاده

ابوالفضل مهدی زاده

پژوهشگر یادگیری عمیق در سُبحه

زمان‌بندی دوره پیشرفته

روز اول
روز دوم
عنوانشروعپایان
آغاز و خوش‌آمدگویی۸:۱۵۸:۳۰
One-shot learning: Face Verification & Recognition 1۸:۳۰۱۰
One-shot learning: Face Verification & Recognition 2۱۰:۳۰۱۲:۳۰
آموزش تنسورفلو - بخش اول ۱۳:۳۰۱۵
آموزش تنسورفلو - بخش دوم ۱۵:۳۰۱۷
عنوانشروعپایان
یادگیری عمیق تقویتی۸:۳۰۱۰
یادگیری عمیق تقویتی۱۰:۳۰۱۲:۳۰
آموزش پایتورچ - بخش اول۱۳:۳۰۱۵
آموزش پایتورچ - بخش دوم۱۵:۳۰۱۷

برگزارکنندگان

مرکز تحقیقات هوش پارت

مرکز تحقیقات هوش پارت

شرکت پردازش اطلاعات مالی پارت

شرکت پردازش اطلاعات مالی پارت

پردازش راهکار ژرف (سب

پردازش راهکار ژرف (سب

توضیحات تکمیلی

بعد از برگزاری این دوره ها انشاالله ما هر کدام از حوزه های یادگیری عمیق مثل پردازش زبان طبیعی، بینایی ماشین، یادگیری تقویتی/صوت را به صورت آخر هفته برگزار می کنیم. زمان ها و ارائه دهندگان این دوره ها را به صورت دقیق در آینده مشخص می کنیم. آخر هفته هایی که برگزار می کنیم:

  • آخر هفته یادگیری تقویتی/صوت
    • نیمه دوم شهریورماه
  • آخر هفته بینایی ماشین
    • نیمه دوم شهریورماه
  • آخر هفته پردازش زبان طبیعی
    • نیمه اول مهرماه

 

آدرس:تهران تهران - خیابان طالقانی - بین خیابان ولیعصر(عج) و خیابان حافظ - شماره 341- هتل پارسیان انقلاب