برنامه نویسی را از صفر شروع کنید!
ورود | ثبت‌نام
آموزشگاه برنامه نویسی تحلیل‌داده
روش یادگیری عمیق تابعی از هوش مصنوعی است که فعالیت مغز انسان را در پردازش داده
ها و ایجاد الگویی برای تصمیم گیری کاهش می دهد. یادگیری عمیق همینطور زیرمجموعه
ای از یادگیری ماشین در هوش مصنوعی است که شبکه های آن قادر به فراگیری داده های
غیرساختاری و بدون برچسب هستند؛ و بعنوان شبکه عصبی عمیق یا آموزش عصبی عمیق نیز
شناخته می شود.
از جمله مشخصات کلیدی آن می توان به موارد زیر اشاره کرد :
روش یادگیری عمیق ارتباط تنگاتنگی با حوزه دیجیتال دارد، و داده های بسیاری را از نواحی مختلف دنیا در فرم ها ارائه می دهد. این داده ها که تحت عنوان داده های عظیم شناخته می شوند از منابعی همچون شبکه های اجتماعی، موتورهای جستجو در اینترنت، پلتفرم های تجارت الکترونیک، سینماهای آنلاین و دیگر موارد بدست می آیند. این حجم عظیم از داده ها براحتی در دسترس هستند و می توانند در برنامه های Fintech از جمله محاسبه ابری مورد استفاده قرار بگیرند.
یادگیری ماشین یکی از معروف ترین تکنیک های هوش مصنوعی است که برای پردازش داده های عظیم مورد استفاده قرار می گیرد. تکنیک یادگیری ماشین دارای یک الگوریتم خود انطباقی است که ارزیابی بهتر و الگوهای باکیفیت تری را بر اساس تجربه یا داده های جدید اضافه شده، فراهم می کند.
برای مثال، اگر یک شرکت پرداخت دیجیتالی بدنبال بررسی حساب ها برای اطمینان حاصل کردن از عدم وجود کلاهبرداری در سیستم حسابرسی باشد، می تواند ابزارهای یادگیری ماشین را بکار گیرد. الگوریتم محاسباتی ساخته شده در مدل کامپیوتری، تمامی تراکنش های انجام شده در پلتفرم دیجیتال را پردازش، و الگوهای لازم در مجموعه داده ها را پیدا می کند و هر گونه ناهنجاری که توسط الگو یافت شود را نشان می دهد.
روش یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که سلسله مراتبی از شبکه های عصبی مصنوعی را برای انجام پردازش یادگیری ماشین بکار می گیرد. شبکه های عصبی مصنوعی ، شبیه مغز انسان ساخته می شوند و دارای گره های عصبی بهم مرتبط هستند که شبیه وب بهم وصل شده اند. در حالیکه برنامه های قدیمی، تحلیل داده ها را بصورت خطی انجام می دهند، تابع سلسله مراتبی موجود در سیستم های یادگیری عمیق ، قادر به ارزیابی داده ها با رویکرد غیرخطی است.
در حالی که رویکرد قدیمی مورد استفاده برای کشف کلاهبرداری یا پولشویی، بر اساس مقدار تراکنش انجام می گیرد؛ روش غیرخطی یاد گیری عمیق مواردی همچون زمان، موقعیت جغرافیایی، آدرس IP، نوع خرده فروشی و هر گونه ویژگی دیگری که شبیه فعالیت کلاهبرداری باشد را شامل می شود.
شبکه عصبی ، ردیفی از داده های ورودی همچون مقدار تراکنش ها را مورد پردازش قرار می دهد و آن را به لایه بعدی می فرستد. دومین لایه از شبکه عصبی ، اطلاعات لایه پیشین را با در نظر گرفتن ملاحضات دیگری همچون آدرس IP کاربر، تحت پردازش قرار می دهد و نتیجه را به لایه بعدی می فرستد.
لایه بعدی، اطلاعات دومین لایه را دریافت و موارد دیگری همچون موقعیت جغرافیایی کاربر را بر روی اطلاعات اعمال کرده و الگو بهتری را ایجاد می کند. این پردازش ها در تمامی لایه های شبکه عصبی انجام می شود.
با استفاده از سیستم کشف کلاهبرداری که پیشتر راجع به آن صحبت کردیم می توان مثالی از یاد گیری عمیق را ارائه داد. اگر سیستم یادگیری ماشین مدلی ارائه دهد که بر اساس مقدار دلاری که کاربر دریافت یا ارسال می کند، ایجاد شده باشد؛ روش یاد گیری عمیق می تواند شروع به کار بر روی نتایج ارائه شده توسط یادگیری ماشین کند.
هر لایه از شبکه عصبی بر روی لایه پیشین خود ساخته می شود، و داده هایی همچون خرده فروش، فرستنده، کاربر، رویدادهای شبکه اجتماعی، سقف اعتبار، آدرس IP و دیگر ویژگی ها، یکی یکی به هر لایه اضافه می شوند. الگوریتم های یاد گیری عمیق بگونه ای طراحی می شوند که نه تنها الگوهایی از تمامی تراکنش ها ایجاد کنند، بلکه سیگنال یک الگو برای امکان وجود کلاهبرداری و نیاز به بررسی آن را نیز تشخیص دهند. آخرین لایه سیگنالی را به تحلیلگر ارسال می کند و ممکن است تحلیلگر حساب کاربر را تا پایان بررسی های لازم مسدود کند.
یاد گیری عمیق در تمام صنایع و برای امور مختلف مورد استفاده قرار می گیرد. زمینه های کاربردی زیر از جمله مواردی هستند که روش یاد گیری عمیق را بکار می گیرند:
برنامه های تجاری که از سیستم تشخیص چهره استفاده می کنند، پلتفرم های منبع باز با برنامه های مصرف کننده پیشنهادی و ابزارهای پزشکی پژوهشی که امکان استفاده مجدد از داروها برای بیماری های مزمن را مورد بررسی قرار می دهند.
هنرجویان عزیز، مدرک آموزشگاه تحلیل داده، مدرک رسمی از سازمان فنی و حرفه‌ای میباشد. دانشجویان پس از پایان دوره با ارائه پروژه کاربردی خود به آموزشگاه و پس از تایید استاد دوره گواهی پایان دوره خود را دریافت می‌نمایند.
مشاهده نمونه مدرکAli Alemi Matin Pour
AI, Deep Learning, Machine Learning, Data Scientist.
Experience with data mining, deep learning and machine learning, Hopes to focus more on data science in future career.
Military Service: Fulfilled
Skills
Deep Learning & Neural Network:
CNN, ResNet, VGG, SE-Net, GoogleNet and … Capsule Network, VAE, GAN, DCGAN, CycleGAN, Star-GAN RNN, LSTM, GRU, Attention Transfer Learning, Style Transfer
Machine Learning & Data Mining:
Basian Methods, HMM, CRF, Viterbi Ensemble Learning, Baging, Boosting Apriori, Reinforcement Learning Feature Conditioning, Feature Selection, LDA, PCA, Manifold Learning, t-sne
Pattern Recognition & Estimation Theory:
GMM, EM, SVM, SVR, Kernel Methods MLE, MAP, MVUE, BLUE, LSE, Wiener Filter, Kalman Filter, EKF, UKF KDE(Kernel Density Estimation), (MDL) principle
Metaheuristic Algorithms, Optimization & etc:
Genetic, PSO, Ant Colony, and other metaheuristic alorithms Symbolic Artificial Intelligence Approaches Data Structure, Algorithm Design
Natural Language Processing:
Topic Modeling(LDA), NER Word2Vec, Skip-gran, GloVe, ELMO, BERT Sentiment Analysis, BagofWords, TF-IDF, NGram, Tokenization, POS Taging
Computer Vision & Image Processing:
Morphological Analysis, Feature Descriptor CBIR, Image Captioning, Object Recognition Object Detection, U-Net Image Segmentation, YOLO, EfficientDet, SSD, Siamese NN
Languages, Library & Framework:
Python, C#.Net and (Familiar with Matlab, C++ and Sql Server) Tensorflow, Pytorch, Keras, Scikit Learn, Pandas, Numpy, Scipy Matplotlib, Seaborn, Tensorboard and Familiar with PySpark, Weka, Rapid Miner NLTK, Gensim, hazm and TextBlob OpenCV, Scikit-image and Pillow
Projects:
NLP:
Predicting Iran Khodro's shares based on stock market news analysis Aspect Term Extractoin & Aspect Based Sentiment Analysis Language Modeling & Machine Translation
Vision:
Object Classification/ Localization/ Detection/ Recognition/ Segmentation Face Recognition from images and videos Real-Time Multi-Object Tracking Automatic Image Captionin Face Sketch Synthesis Number Plate Recognition
NLP, Vision & etc:
Churn Prediction (Predicting the behavior of bank customers) Anomaly Detection Data Generation by using GANs
TAHLILDADEH ACADEMY
خیابان شریعتی، بالاتر از خیابان ملک، جنب بانک صادرات، پلاک 561، طبقه 2، واحد 7
www.tahlildadeh.com
88146323 - 88146330
آموزشگاه روز شنبه تعطیل میباشد
