دوره Deep Learning

سرفصل آموزشی دوره Deep Learning

مقدمه و مفاهیم پایه

• آشنایی با مفاهیم یادگیری ماشین و یادگیری عمیق
• تفاوت AI، Machine Learning و Deep Learning
• مروری بر انواع شبکه‌های عصبی (ANN, CNN, RNN, LSTM)
• آشنایی با کاربردهای یادگیری عمیق در صنعت برق و سیستم‌های هوشمند

 ریاضیات و ابزارهای پایه

• جبر خطی و ماتریس‌ها در یادگیری عمیق
• مشتق‌گیری و گرادیان در بهینه‌سازی
• معرفی پایتون و کتابخانه‌های مورد نیاز:NumPy, TensorFlow, Keras, PyTorch
• تمرینات ساده‌ی پیاده‌سازی یک شبکه عصبی از صفر

 شبکه‌های عصبی مصنوعی (ANN)ساختار نورون، لایه‌ها و توابع فعال‌سازی

• الگوریتم پس‌انتشار خطا (Backpropagation)
• بهینه‌سازها (Optimizers)
• تمرین پروژه: پیش‌بینی داده‌های سنسوری برق با ANN

 شبکه‌های کانولوشنی (CNN)مفهوم فیلتر و کانولوشن

• Pooling، Padding و Dropout
• طراحی مدل CNN برای تشخیص تصویر

شبکه‌های بازگشتی (RNN, LSTM)پردازش داده‌های زمانی (Time-Series)

• کاربرد در پیش‌بینی جریان، ولتاژ و دما
• پروژه عملی: پیش‌بینی مصرف انرژی

 یادگیری عمیق در سیستم‌های نهفته (Embedded AI)محدودیت‌های پردازش در میکروکنترلرها

• مدل‌های سبک مانند TensorFlow Lite و TinyML
• انتقال مدل به بردهای سخت‌افزاری (STM32, Raspberry Pi)

بهینه‌سازی و استقرار مدل‌هاQuantization و Pruning برای کاهش حجم مدل

• تست و ارزیابی مدل در شرایط واقعی
• معرفی روش‌های Deployment و مانیتورینگ

آینده شغلی دوره Deep Learning

یادگیری عمیق یا Deep Learning یکی از مهم ترین مهارت های آینده در دنیای مهندسی برق و سیستم های هوشمند است. با گسترش کاربردهای هوش مصنوعی در صنایع مختلف نیاز به متخصصانی که بتوانند مدل های یادگیری عمیق را روی سخت افزارهای اقعی پیاده سازی کنند به سرعت در حال افزایش است . از جمله عناوین شغلی در این زمینه عبارتند از: 

• مهندس Embedded AI
• متخصص پردازش تصویر و بینایی ماشین
• کارشناس تحلیل داده و پیش بینی هوشمند
• توسعه دهنده سیستم های هوشمند برق

روش برگزاری دوره Deep Learning

کلاس های بصورت پروژه محور و عملی برگزار می شوند. 

توانایی دانشجو در پایان دوره Deep Learning

پس از گذراندن دوره Deep Learning، مهارتجویان قادر خواهند بود:

درک مفاهیم پایه ای یادگیری عمیق

• شناخت کامل ساختار شبکه‌های عصبی (ANN، CNN، RNN و LSTM)
• درک فرآیند آموزش مدل‌ها، خطا، گرادیان و بهینه‌سازی وزن‌ها

طراحی و آموزش مدل‌های یادگیری عمیق

• طراحی مدل‌های هوش مصنوعی با استفاده از کتابخانه‌های TensorFlow، Keras یا PyTorch
• آماده‌سازی داده‌ها، نرمال‌سازی، آموزش و ارزیابی مدل‌ها
• پیاده‌سازی پروژه‌های واقعی مانند تشخیص تصویر، تحلیل داده‌های سنسوری و پیش‌بینی پارامترهای الکتریکی

 پیاده‌سازی مدل‌ها روی سخت‌افزارهای امبدد (Embedded AI)

• آشنایی با مفاهیم TinyML، TensorFlow Lite و Edge AI
• انتقال و اجرای مدل‌های آموزش‌دیده روی بردهایی مانند STM32، Raspberry Pi و Jetson Nano
• توسعه‌ی پروژه‌های هوش مصنوعی با محدودیت منابع سخت‌افزاری

تحلیل داده‌های صنعتی و الکتریکی

• تحلیل سیگنال‌ها و داده‌های جمع‌آوری‌شده از حسگرها
• استفاده از مدل‌های یادگیری عمیق برای پیش‌بینی، تشخیص خطا و کنترل هوشمند سیستم‌های الکتریکی

 طراحی سیستم‌های هوشمند مبتنی بر برق

• ترکیب مفاهیم هوش مصنوعی با سیستم‌های کنترل و مانیتورینگ
• ساخت پروژه‌هایی مانند کنترل هوشمند روشنایی، تشخیص چهره، یا مانیتورینگ مصرف انرژی

سوالات متداول دانشجویان

 آیا امکان ثبت نام بصورت اقساطی وجود دارد؟
بله، با استفاده از درگاه اسنپ پی می توانید دوره مورد نظر خود را در 4 قسط پرداخت کنید .

آیا در انتهای دوره برای شرکت‌کنندگان گواهینامه صادر می‌شود؟
درصورتی‌که دانشجو در پایان دوره نمره‌ی لازم را کسب کند، موفق به دریافت گواهینامه خواهد شد. حد نصاب نمره 70 از 100 بوده و از مجموع نمرات فعالیت‌های کلاسی، کوییزها، تمرینات و آزمون پایانی دانشجو محاسبه می‌شود.

نحوه برگزاری آزمون پایانی دوره به چه صورت است؟
مدت زمان مشخصی از جلسه پایانی هر دوره به برگزاری آزمون اختصاص می‌یابد. این آزمون کاملاً عملی بوده و سوال مطرح‌شده در قالب یک پروژه‌ی ترکیبی ارائه می‌شود.

آیا برای این دوره جزوه یا کتاب خاصی باید خریداری شود؟
در تمامی دوره‌های آموزشی، کتاب‌ها و مراجع و فایل‌های آموزشی مختلفی توسط اساتید معرفی می‌گردد.

پاسخ به پرسش های شما