برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید: https://fdrs.ir/875g/ در این فرادرس با مفاهیم و کاربردهای شبکه عصبی عمیق (GAN (Generative Adversarial Network آشنا خواهید شد. شبکههای GAN، یکی از به روزترین معماریهای یادگیری عمیق است که از زمان مطرح شدن در سال ۲۰۱۴ تاکنون به شدت رشد یافته است. رشد عجیب این معماری یادگیری عمیق، به خاطر کاربردهای جذاب و بعضا حیرت آور آن از قبیل متحرک سازی تصویر ثابت مونالیزا و… بوده است. این معماری یادگیری عمیق، موضوع اصلی مقالات علمی در کنفرانسهای معتبر یادگیری ماشین از قبیل NIPS در سالهای اخیر است. در این آموزش با شبکههای GAN معمولی، شبکههای Deep Convolutional GAN, Semi-supervised GAN, Conditional GAN و CycleGAN آشنا میشوید. سرفصلهای مورد بحث در این فیلم آموزشی عبارتاند از: درس یکم: مقدمه ای بر هوش مصنوعی و شبکههای GAN هوش مصنوعی، یادگیری ماشین، یادگیری عمیق شبکههای GAN و کاربردهای آن درس دوم: مفاهیم پایه ای یادگیری ماشین و شبکه عصبی یادگیری ماشین انواع یادگیری مفاهیم پایه ای شبکه عصبی شبکه عصبی عمیق درس سوم: شبکههای Autoencoder مدل سازی مولد معماری شبکه Autoencoder یادگیری در شبکه Autoencoder کاربردهای شبکه Autoencoder معماری شبکه Variational Autoencoder توانمندی و نقص Autoencoder در مدل سازی مولد درس چهارم: شبکههای GAN معمولی معماری شبکه GAN تابع هزینه در شبکه GAN بهینه سازی رقابتی تابع هزینه در شبکه GAN یادگیری در شبکه GAN مقایسه GAN با Autoencoder آموزش شبکه GAN مثال عملی شبکه GAN در پایتون درس پنجم: شبکههای GAN کانولوشنی (Deep Convolutional GAN) شبکههای عصبی کانولوشنی لایههای کانولوشن، Pooling و کانولوشن معکوس معماری شبکه DCGAN مثال عملی شبکه DCGAN در پایتون درس ششم: شبکههای GAN نیمه نظارتی (Semisupervised GAN) یادگیری نیمه نظارتی معماری شبکه Semi-supervised GAN تفاوت عملکرد شبکه Semi-supervised GAN با سایر شبکههای GAN مثال عملی شبکه Semi-supervised GAN در پایتون درس هفتم: شبکههای GAN مشروط (Conditional GAN) چالش شبکه GAN در مدل سازی مولد معماری شبکه CGAN مثال عملی شبکه CGAN در پایتون درس هشتم: شبکههای GAN چرخشی (Cycle GAN) معماری شبکه CycleGAN تابعهای هزینه در شبکه CycleGAN توضیح روال پیاده سازی CycleGAN معماری شبکه U-Net در CycleGAN معماری شبکه PatchGAN در CycleGAN مفید برای رشتههای مهندسی کامپیوتر مدرس: دکتر عادل قاضی خانی