در این دوره، شما: - کاربردهای GAN ها را کاوش کنید و آنها را در افزایش داده ها، حفظ حریم خصوصی و ناشناس بودن بررسی کنید. - از چارچوب ترجمه تصویر به تصویر استفاده کنید و برنامه های کاربردی را برای روش های فراتر از تصاویر شناسایی کنید - پیاده سازی Pix2Pix، یک GAN ترجمه جفت تصویر به تصویر، برای تطبیق تصاویر ماهواره ای در مسیرهای نقشه (و بالعکس) - ترجمه جفت شده تصویر به تصویر را با ترجمه تصویر به تصویر بدون جفت مقایسه کنید و تشخیص دهید که تفاوت کلیدی آنها چگونه معماری های مختلف GAN را ضروری می کند. - پیاده سازی CycleGAN، یک مدل ترجمه تصویر به تصویر جفت نشده، برای تطبیق اسب ها با گورخرها (و بالعکس) با دو GAN در یک تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

در این دوره آموزشی، با کامپیوتر ویژن به عنوان یک زمینه مطالعه و تحقیق آشنا خواهید شد. ابتدا چندین کار Computer Vision و رویکردهای پیشنهادی را از دیدگاه کلاسیک Computer Vision بررسی خواهیم کرد. سپس روش‌های یادگیری عمیق را معرفی می‌کنیم و آنها را برای برخی از مشکلات مشابه به کار می‌بریم. ما نتایج را تجزیه و تحلیل خواهیم کرد و مزایا و معایب هر دو نوع روش را مورد بحث قرار خواهیم داد. ما از آموزش‌هایی استفاده می‌کنیم تا به شما اجازه دهیم برخی از ابزارهای مدرن یادگیری ماشین و کتابخانه‌های نرم‌افزار را به‌طور عملی کشف کنید. نمونه‌هایی از وظایف بینایی کامپیوتری که در آن‌ها می‌توان از یادگیری عمیق استفاده کرد، عبارتند از: طبقه‌بندی تصویر، طبقه‌بندی تصویر با محلی‌سازی، تشخیص اشیا، تقسیم‌بندی شی، تشخیص چهره، و تخمین فعالیت یا حالت. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

در دوره دوم مهندسی یادگیری ماشین برای تخصص تولید، شما خطوط لوله داده را با جمع آوری، تمیز کردن و اعتبارسنجی مجموعه داده ها و ارزیابی کیفیت داده ایجاد می کنید. مهندسی ویژگی، تبدیل و انتخاب را با TensorFlow Extended پیاده سازی کنید و بیشترین قدرت پیش بینی را از داده های خود دریافت کنید. و چرخه عمر داده ها را با استفاده از ابزارهای ابرداده اصل و منشأ داده ایجاد کنید و تکامل داده ها را با طرحواره های داده سازمانی دنبال کنید. درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال ایجاد یک شغل موثر هوش مصنوعی هستید، به قابلیت‌های مهندسی تولید نیز نیاز دارید. مهندسی یادگیری ماشین برای تولید، مفاهیم اساسی یادگیری ماشین را با تخصص عملکردی توسعه نرم‌افزار مدرن و نقش‌های مهندسی ترکیب می‌کند تا به شما در توسعه مهارت‌های آماده تولید کمک کند. هفته 1: جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها هفته 2: مهندسی ویژگی، تبدیل و انتخاب هفته 3: سفر داده و ذخیره‌سازی داده هفته 4: روش‌های پیشرفته برچسب‌گذاری داده‌ها، افزایش داده‌ها و پیش پردازش انواع مختلف داده‌ها

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این دوره بخشی از DeepLearning.AI TensorFlow Developer Specialization است و بهترین روش ها برای استفاده از TensorFlow، یک چارچوب منبع باز محبوب برای یادگیری ماشین را به شما آموزش می دهد. در دوره 2 از تخصص DeepLearning.AI TensorFlow Developer، شما تکنیک های پیشرفته ای را برای بهبود مدل بینایی کامپیوتری که در دوره 1 ساخته اید، یاد خواهید گرفت. نحوه کار با تصاویر دنیای واقعی در اشکال و اندازه های مختلف را بررسی می کنید، سفر را تجسم می کنید. یک تصویر از طریق کانولوشن برای درک اینکه چگونه یک کامپیوتر اطلاعات را "می بیند"، از دست دادن و دقت نمودار، و کشف استراتژی هایی برای جلوگیری از تطبیق بیش از حد، از جمله افزایش و ترک تحصیل در نهایت، دوره 2 شما را با انتقال یادگیری و چگونگی استخراج ویژگی های آموخته شده از مدل ها آشنا می کند. دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص جدید Deeplearning.ai TensorFlow به شما می آموزد که چگونه از TensorFlow برای پیاده سازی آن اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل های مقیاس پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

در چهارمین دوره تخصصی یادگیری عمیق، نحوه تکامل بینایی کامپیوتر را خواهید فهمید و با کاربردهای هیجان انگیز آن مانند رانندگی خودکار، تشخیص چهره، خواندن تصاویر رادیولوژی و غیره آشنا خواهید شد. در پایان، شما قادر خواهید بود یک شبکه عصبی کانولوشنال، از جمله تغییرات اخیر مانند شبکه های باقیمانده بسازید. استفاده از شبکه های کانولوشن برای کارهای تشخیص و شناسایی بصری؛ و از انتقال سبک عصبی برای تولید هنر و اعمال این الگوریتم ها بر روی انواع تصاویر، ویدئوها و سایر داده های دو بعدی یا سه بعدی استفاده کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

یادگیری عمیق تکنیکی است که برای بسیاری از کاربردها، از پردازش زبان طبیعی گرفته تا زیست پزشکی، مورد استفاده قرار می گیرد. یادگیری عمیق می تواند انواع مختلفی از داده ها مانند تصاویر، متون، صدا/صدا، نمودارها و غیره را مدیریت کند. این دوره اصول اولیه DL از جمله نحوه ساخت و آموزش پرسپترون چندلایه، شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی تکراری (RNN)، رمزگذارهای خودکار (AE) و شبکه های متخاصم مولد (GAN) را پوشش می دهد. این دوره شامل چندین پروژه عملی، از جمله تشخیص سرطان با CNN، RNN در توییت‌های بلایا، و تولید تصاویر سگ با GAN است. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. توصیه می کنیم دو دوره قبلی در زمینه تخصصی، مقدمه یادگیری ماشین: یادگیری نظارت شده و الگوریتم های بدون نظارت در یادگیری ماشین را بگذرانید، اما نیازی به آنها نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. برخی از بخش های کلاس نسبتا فشرده ریاضی خواهد بود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط رایان والاس در Unsplash.

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

مروری بر اصول اصلی یادگیری عمیق به همراه معماری های رایج. مسئله را برای طبقه بندی سری های زمانی فرموله کنید و آن را برای سیگنال های حیاتی مانند ECG اعمال کنید. به کارگیری این روش در پرونده الکترونیک سلامت به دلیل مقادیر از دست رفته و ناهمگونی در EHR که شامل متغیرهای پیوسته، ترتیبی و طبقه‌ای است، چالش برانگیز است. متعاقبا، تکنیک‌های انتساب و استراتژی‌های مختلف رمزگذاری را برای رسیدگی به این مسائل بررسی کنید. این رویکردها را برای فرمول بندی معیارهای پیش بینی بالینی به دست آمده از اطلاعات موجود در پایگاه داده MIMIC-III به کار ببرید.