بایگانی‌ها deep learning - ایران متلب https://iran-matlab.ir/product-tag/deep-learning/ بزرگترین مرجع فیلم های آموزشی دانشگاهی و مهندسی Wed, 07 Jan 2026 12:18:08 +0000 fa-IR hourly 1 https://iran-matlab.ir/wp-content/uploads/2022/11/cropped-icon512-32x32.png بایگانی‌ها deep learning - ایران متلب https://iran-matlab.ir/product-tag/deep-learning/ 32 32 بسته آموزشی جامع یادگیری عمیق Deep Learning https://iran-matlab.ir/product/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/ https://iran-matlab.ir/product/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/#comments Mon, 06 Apr 2020 09:03:59 +0000 https://iran-matlab.ir/?post_type=product&p=15063 یکی از زمینه های بسیار جذاب و پرکاربرد در قرن اخیر هوش مصنوعی می باشد. هم اکنون کاربردهای بسیار زیادی برای هوش مصنوعی در جهان اطراف ما قابل مشاهده است مثل ماشین های بدون راننده ، دستیاران صوتی، مترجم های آنلاین، رباتهای هوشمند، نرم افزارهای تشخیص بیماری ، الگوریتم های هوشمند داده کاوی، تشخیص چهره، […]

نوشته بسته آموزشی جامع یادگیری عمیق Deep Learning اولین بار در ایران متلب پدیدار شد.

]]>

هوش مصنوعی – یادگیری عمیق

یکی از زمینه های بسیار جذاب و پرکاربرد در قرن اخیر هوش مصنوعی می باشد. هم اکنون کاربردهای بسیار زیادی برای هوش مصنوعی در جهان اطراف ما قابل مشاهده است مثل ماشین های بدون راننده ، دستیاران صوتی، مترجم های آنلاین، رباتهای هوشمند، نرم افزارهای تشخیص بیماری ، الگوریتم های هوشمند داده کاوی، تشخیص چهره، ربات سخن گو، پیش بینی بورس و نمودارهای مالی .

هوش مصنوعی – یادگیری عمیق – کاربرد

هوش مصنوعی دانش بسیار گسترده ای می باشد که بخشی از آن یادگیری عمیق می باشد. یادگیری عمیق یکی از موضوعات بسیار داغ و جذاب می باشد که علاقه مندان بسیار زیادی پیدا کرده است. یکی از دلایل این علاقه سادگی کار و نتایج حیرت کننده حاصل از آن می باشد. به عنوان مثال برای تشخیص یک شی در تصویر، اگر بخواهید از روشهای قدیمی استفاده کنید باید استخراج ویژگی انجام دهید و سپس یک مدل دسته بندی کننده انتخاب کنید. این فرایند بسیار زمان بر و تخصصی می باشد و می بایست یک فرد متخصص نوع ویژگی ها و پارامترهای آنها را تنظیم کند. اما با یادگیری عمیق شما فقط کافی است که ساختار مدل خود را طراحی کنید و نیازی به مرحله استخراج ویژگی ندارید و تمامی فرایند توسط لایه های مدل یادگیری عمیق انجام می شود.

دلیل بعدی جذابیت کار در یادگیری عمیق ، مدلهای آماده بسیار زیاد موجود می باشد که فرایند طراحی و آموزش و تست را بسیار کوتاه می کند و شما با توجه به مفهوم transfer learning یک مدل آماده را برای کاربرد خود تغییر می دهید. یعنی دیگر لازم نیست چرخ را از اول اختراع کنید و همه فرایند سخت و طاقت فرسای طراحی مدل هوشمند خود را از صفر شروع کنید. الان مدلهای آماده ای وجود دارند که با دقت بالایی می توانند 1000 کلاس مختلف تصویری را شناسایی کنند. یعنی شما مدل را import می کنید و تصویر بهش می دهید و برای شما کار شناسایی را انجام می دهد. به عبارت ساده تر هولو برو تو گلو. 🙂

قسمت اول

مبانی و مقدمات یادگیری عمیق

 

قسمت دوم

پیاده سازی و برنامه نویسی در متلب

 

مدرس :

قیصری (مدیر گروه ایران متلب با سابقه 15 ساله در متلب و زبان های مختلف برنامه نویسی)

 

نوشته بسته آموزشی جامع یادگیری عمیق Deep Learning اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d8%a8%d8%b3%d8%aa%d9%87-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%ac%d8%a7%d9%85%d8%b9-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b9%d9%85%db%8c%d9%82-deep-learning/feed/ 18 فیلم آموزشی شبکه عصبی کانالوشن https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%da%a9%d8%a7%d9%86%d8%a7%d9%84%d9%88%d8%b4%d9%86/ https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%da%a9%d8%a7%d9%86%d8%a7%d9%84%d9%88%d8%b4%d9%86/#comments Fri, 25 Dec 2015 20:04:38 +0000 https://iran-matlab.ir/?post_type=product&p=2157 شبکه عصبي کانولوشني که در ادامه آنرا با CNN نام خواهيم برد به نوعي از شبکه هاي عصبي مصنوعي اطلاق ميشود که داراي ويژگي هاي اصلي شبکه neocognitron ميباشد. درساختار CNN سه تکنيک اصلي استفاده ميشود که عبارتند از:اشتراک وزنهاweight sharing ميدانهاي دريافت محلي local receptor fields و نمونه گيري مکاني کاهشي spatial down sampling. […]

نوشته فیلم آموزشی شبکه عصبی کانالوشن اولین بار در ایران متلب پدیدار شد.

]]> شبکه عصبي کانولوشني که در ادامه آنرا با CNN نام خواهيم برد به نوعي از شبکه هاي عصبي مصنوعي اطلاق ميشود که داراي ويژگي هاي اصلي شبکه neocognitron ميباشد. درساختار CNN سه تکنيک اصلي استفاده ميشود که عبارتند از:اشتراک وزنهاweight sharing ميدانهاي دريافت محلي local receptor fields و نمونه گيري مکاني کاهشي spatial down sampling. اين شبکه تا حدي به مدل سيستم بينائي بيولوژيکي شبيه است که در آن داده خام به عنوان ورودي شبکه به آن اعمال ميشود بدون اينکه نياز به پردازش اوليه يا استخراج ويژگي feature extraction داشته باشد. در واقع در CNN عمل استخراج ويژگي و مرحله شناسائي در يک ساختار مشترک انجام ميشوند.

در ساختار این شبکه براي اعمال مپينگ روي تصوير تمهيدي در نظر گرفته شده است که هر ارتباط عصبي تبديل محلي يکساني را به تمامي تبديلات مکاني اعمال کنند. با اين تمهيد نسبت بين درجه آزادي سيستم و تعداد نمونه هاي لازم براي يادگيري بطور محسوسي افزايش يافته و باعث ميشود تا قدرت تعميم (generalization) سيستم تقويت شود . اين ويژگي کارائي خود را درزمينه پردازش تصوير نمايان ميسازد که در آن معمولا با اين مشکل مواجه هستيم که بزرگ بودن ابعاد ورودي منجر به ايجاد يک مسئله ضعيف شده ill posed problem ميشود.

درساختار این شبکه اوزان شبکه در روي آرايه هاي مکاني تکرار ميشوند که باعث ميگردد تا اين نوع شبکه ذاتا نسبت به انتقال ورودي حساس نباشد. اين ويژگي نيز براي پردازش تصوير مفيد ميباشد. علاوه بر آن پياده سازي اين شبکه بر روي سخت افزار نيز بسادگي انجام پذير ميباشد که امکان استفاده از آنرا در کاربردهاي بدون وقفه ميسر مينمايد. در حال حاضر از CNN در اموري نظير پردازش حروف دست نويس و شناسائي و تشخيص چهره استفاده ميشود.

 

 

این فیلم آموزشی منحصر بفرد بالاخره با زحمت تعدادی از اعضای گروه ایران متلب تکمیل شد. 

ارسال لینک های دانلود به ایمیل شما

سرفصل :

یادگیری عمیق Deep Learning

 

تفاوت بین مدل مرسوم شناسایی الگو و یادیگری عمیق

 

Trainable feature extractor چیست ؟

 

ساختار کلی یک سیستم شناسایی الگو pattern recognition

 

ساختار یک سیستم شناسایی شی object detection

 

مشاهده بصری ویژگی ها feature visualization در مراحل یک سیستم یادگیری عمیق (شبکه کانالوشن)

 

Low-Level feature, Mid-Level feature, high-level feature

 

Visual Cortex (ایده یادگیری عمیق از کجا آمده است؟)

 

معرفی سه ساختار یادگیری عمیق (feed-forward , feed-back , bi-directional)

 

چرا به یادگیری عمیق نیاز داریم ؟

 

کدام مدلها عمیق هستند؟ آیا MLP وSVM و مدلهای دو لایه و درخت تصمیم، عمیق هستند؟

 

امروزه در کدام کاربردها از یادگیری عمیق استفاده می شود؟

 

مقایسه مدلهای

(boosting , perceptron , SVM , AE , decision tree , RBM , DBN , DBM , GMM , spare coding , BayesNP , Conventional Net , RNN , Neural Net)

 

ساختار کلی (overall architecture) یک شبکه عصبی کانالوشن

 

معرفی بلوک نرمالسازی Normalization

 

معرفی بلوک بانک فیلتر Filter Bank

 

معرفی بلوک Non-Linear

 

معرفی بلوک Pooling یا subsampling

 

معرفی تغییرات یک تصویر در هنگام عبور از لایه های مختلف یک شبکه عصبی کانالوشن

 

معرفی ساختار یک شبکه عصبی کانالوشن

 

تصویر بعد از کانالوشن چه تغییری می کند؟

 

تصویر بعد از pooling چه تغییری می کند؟

 

مفهوم کانالوشن در تصویر

 

پنجره window در کانالوشن

 

مفهوم pooling در تصویر

 

یک مثال از local average operator

 

نشان دادن تصویر هر مرحله از یک شبکه عصبی کانالوشن

 

الگوریتم پیش انتشار خطا در شبکه عصبی کانالوشن

 

یک مثال عددی از عملگر کانالوشن

 

دو کاربرد شناسایی علائم راهنمایی و شناسایی شماره منازل

 

یک مثال از شبکه عصبی کانالوشن در شناسایی موضوع صحنه در یک ویدئو

 

یک مثال از شبکه عصبی کانالوشن در شناسایی شی Object detection

 

برخی از فریم های این فیلم آموزشی :

frame1

frame2

frame3

نوشته فیلم آموزشی شبکه عصبی کانالوشن اولین بار در ایران متلب پدیدار شد.

]]> https://iran-matlab.ir/product/%d9%81%db%8c%d9%84%d9%85-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%da%a9%d8%a7%d9%86%d8%a7%d9%84%d9%88%d8%b4%d9%86/feed/ 11