سرفصل‌های اصلی کارگاه:

-       شبکه‌های کم‌عمق:

بررسی قضیه تقریب‌دهی جهانی (Universal Approximation Theorem) و محدودیت‌های اساسی آن، چرا صرفاً افزایش عرض شبکه (تعداد نورون‌ها) برای حل مسائل پیچیده کافی نیست؟

-       شبکه‌های عمیق: 

قدرت فزاینده­ ی توصیف ­های سلسله‌مراتبی (hierarchical representations).

-       توابع هزینه (Loss Functions):

توجیه ریاضی عملکرد MSE و Cross-Entropy، ارتباط آن‌ها با اصل بیشینه درست‌نمایی (Maximum Likelihood) و انتخاب مناسب تابع هزینه بر اساس طبیعت مسئله.

-       بهینه‌سازی: 

گرادیان کاهشی (Gradient Descent)، گرادیان کاهشی تصادفی (SGD)، روش تکانه (Momentum).

-       پس‌انتشار خطا (Backpropagation):

مشتق‌گیری کارآمد با استفاده از قانون زنجیره‌ای و نقش محوری آن در آموزش شبکه‌های عمیق.

- روش‌های ارزیابی و تنظیم مدل (Regularization):

روش‌های صریح و ضمنی

 مدت زمان تقریبی: ۲ ساعت و نیم 

مخاطبان: پژوهشگران، مهندسان و توسعه‌دهندگانی که شبکه‌های عصبی را آموزش می‌دهند و می‌خواهند در یک نیم‌روز، عملکرد اجزا و ارتباطات میان آن‌ها را به‌طور عمیق و یکپارچه درک کنند.

این کارگاه صرفاً مفهومی است و هیچ کدی ارائه نخواهد شد. تمرکز کامل بر اصول پایه‌ای و ارتباطات میان اجزای pipeline است تا پس از پایان آن، دیدی روشن و یکپارچه از کل فرآیند یادگیری عمیق داشته باشید و بتوانید تصمیمات آگاهانه‌تری در پروژه‌های واقعی خود بگیرید.

این دوره در صورت به حد نصاب رسیدن ظرفیت، تشکیل خواهد شد.جهت ثبت نام اینجا را کلیک کنید.