سلام به همگی.صبح به خیر.
به یادگیری عمیق cs230 خوش آمدید.
خیلی از شما ها میدونید که
امروزه یادگیری عمیق از جدیدترین و
 سخت ترین حوزه های علوم کامپیوتر
یا هوش مصنوعی است
شاید هم یادگیری عمیق از سخت ترین
 و جدید ترین حوزه های
تمامی فعالیت های انسانی باشه.
این کورس یادگیری عمیق cs230 نام دارد و ما امیدواریم تا شما بتوانید به درکی از
از این حوزه برسید و در ساخت و
 به کار گیری یادگیری عمیق متخصص شوید.
بر خلاف کلاس های من در دانشگاه استنفورد
این کلاس با مشارکت
 بیشتر شما همراه خواهد بود
چون  این کلاس در قالب کلاس
تلنگر ارایه میشود به این صورت که
ما از شما میخواهیم بسیاری از
 ویدیو ها را در خانه مشاهده کنید
بسیاری از مطالب deeplearning.AI  در  courseraوجود دارد
به این ترتیب زمان کلاس برای بحث و گفتگوهای عمیق تر در
 بخش گفت و گو حفظ می شود.
خب برای شروع به بنده اجازه دهید در ابتدا
گروه آموزشی مان را معرفی کنم
خب مربیان ما شامل Kian Katanforosh که در واقع
یکی از سازندگان
محتوای Deep Learning specialization در کورس deeplearning.ai است که ما از آن در این اینجا استفاده خواهیم کرد.
و همچنین
بقیه افراد آموزشی تیم شامل
خانم Swati Dubei که
هماهنگ کننده کلاس ها ست و ایشان
به همراه بنده دیگر افراد در
هماهنگی دوره های
فکر میکنم
CS230 و همچنین CS229 و CS229A همکاری کردیم
تا تمامی این کلاس ها به بهترین شکل ممکن پیش برود تا شما
یک تجربه ی نسبتا راحت داشته باشید.
 مشاور و راهنمای این دوره است.او با Younes Mourri
من و کیان در ساخت بسیاری از مطالب آنلاین که
شما از آن استفاده میکنید همکاری کرده ایم. Younes
TA  اصلی است
برای دوره ی CS229A که ممکن است بعضی از شَما ها ان را گذرانده باشید.
همچنین دو TA  سرگروه داریم. Aarti Bagul
که سال های زیادی در حوزه ی تحقیقاتی یادگیری ماشین فعالیت داشته
و Abhijeet که همچنان به عقب برگشته.
و همچنین یک تیم بسیار بزرگی از TA ها که
من فکر میکنم نیمی از TA های ما در CS230  قبلا TA این دوره بودند
و تجربه ی آنها شامل همه چیز میشود.
از به کار گیری یادگیری ماشین در مشکلات مراقبت های  بهداشتی گرفته تا
تا به کارگیری یادگیری ماشین یا یادگیری عمیق در مسایل مختلفی مثل
رباتیک یا مشکلات و مسایل موجود در زیست شناسی محاسباتی
خب من امیدوارم در طول این دوره که روی این پروژه کار میکنید
بتوانید
راهنمایی های زیادی بگیرید
و همچنین از تمامی TA ها کمک و مشاوره بگیرند.
Uخب برنامه ی امروز
قرار بود
یک زمان کوتاهی رو بپردازم به اینکه
تمام چیزهایی که در یادگیری عمیق اتفاق میوفتد را با شما به اشترک بگذارم.
به اینکه چگونه یادگیری عمیق شروع به کار میکند و این امر چگونه َشغل  شما را تحت تاثر قرارا میدهد.
و در نیمه ی دوم
Kian خواهد امد و بیشتر درمورد
پروژه هایی که شما در طول این دوره کار خواهید کرد صحبت میکند
که فقط شامل پروژه پایانی نمیشود
پروژه هایی که شما خواهید داشت شامل ساخت ماشین ترجمه ی کوچک
سیستم تشخیص چهره
سیستم تولید هنر و بسیاری دیگر از
برنامه های زیبای یادگیری ماشین و یادگیری عمیقی
که شما در طول این دوره خواهید ساخت.
و همچنین یک دیدگاه کلی از
برنامه های این کلاس برای شما به اشتراک بگذارم.
خب من فکر میکنم که
بذارید ببینم
بسیار خب برای این قسمت فقط از تخته استفاده میکنم.
بسیار خب ]صدا[
در واقع یادگیری عمیق
چیزیه که رسانه ها هنوز هم نمیتونن صحبت درباره ی اونو متوقف کنن
مشخص است که بسیاری از
ایده های یادگیری عمیق به مدت چند دهه اتفاق افتاده است.درسته ؟
ایده های اصلی یادگیری عمیق برای ده ها سال اتفاق افتاده است.
پس چرا این روز ها یادگیری عمیق جهش ناگهانی داشته؟
و چرا این نقل قول از جایی بیرون نمی آید ؟
یا هر چی که مردم میگن.
من فکر میکنم مهمترین دلیل جهش یادگیری عمیق
آه میدونید
تمامی شما امیدوارم البته که در سال های آینده
کارهای پرقدرت تری و تاثیر گذار تری رو با یادگیری عمیق انجام بدید
نسبت به دو یا سال پیش
برای
طی چند دهه اخیر با دیجیتالی شدن جامعه
ما هر روز داده های بیشتر و بیشتری رو جمع آوری کردیم.
مثلا ما هر روز زمانی زیادی رو صرف
کامپیوتر ها و تلفن های هوشمندمان میکنیم و هر زمان که کاری رو با تلفن انجام میدید
داده ایجاد میکنید.درسته؟
و
چیزی که در گذشته توسط تکه های کاغذ نمایش داده میشد
امروزه به صورت دیجیتالی ظبط و نگه داری میشود.
اگر شما از پرتو نگاری استفاده کنید
حداقل در ایالات متحده
در اقتصاد های در حال توسعه
اما اساسا ایلات متحده
امروزه احتمال بیشتری وجود دارد که اشعه ایکس شما در
بیمارستان یک تصویر دیجیتالی است نه یک فیلم فیزیکی.
یا مثلا اگر شما یک ماژیک سفارش دهید
شانس بیشتری وجود دارد که ماژیکی که شما سفارش دادید
امروزه خارج از وب سایت به عنوان یک ظبط دیجیتالی محسوب شود به نسبت
10 سال پیش که دولت جهانی سکه عرضه میکرد.
عملا اگر 10000 ماژیک سفارش دهید
شانس بیشتری وجود دارد
10 سال پیش این واقعیت که شما یک سفارش داشتید بر روی یک تکه کاغذ ذخیره شده است.
یک نفر نوشته
10000 ماژیک را به استنفورد بفرستید.
اما امروزه بیشتر به عنوان یک ظبط دیجیتالی به حساب میاد.
و این واقعیت که
بسیاری از تکه های کاغذ که اکنون دیجیتال هستند داده ایجاد کردند.
و بسیاری از مناطق
مقداری از داده ها
در طول بیست سال منفجر شد.
ولی چیزی که ما متوجه شدیم این بود که
اگر نگاهی بیندازیذ به الگوریتم های یادگیری سنتی
یا الگوریتم های یادگیر ماشین سنتی
عملکرد بسیاری از آن ها به حد نساب میرسد
حتی اگر به آنها داده های بیشتر و بیشتری بدهید.
پس با الگوریتم یادگیر سنتی
منظورم logistic regressions است
یا support vector machines - ماشین های بردار پشتیبانی-
شاید درخت های تصمیم به جزییات تاثیر گذار بستگی داشته باشند
و گویا الگوریتم های یادگیری قدیمی ما نمیدانستند
چه کار کنند اگر تمام داده هایی که اکنون میتوانید به آنها بدهید.
اما آنچه ما چندین سال پیش شروع به تعریف کردیم این بود که
اگر یک شبکه عصبی کوچک را آموزش دهید
عملکردش ممکن است به آن شکل باشد.
اگر شما یک شبکه عصبی متوسط را آموزش دهید
عملکردش ممکن است به آن شکل باشد.
و اگر شما یک شبکه عصبی بسیار بزرگ را آموزش دهید
نوع عملکرد همچنان بهتر و بهتر میشود
این بهتر شدن بر مبنای نرخ خطا صورت میگیرید
که بعدن در این دوره خواهید اموخت
اما عملکرد هرگز از 100 درصد تجاوز نمیکند
اما گاهی اوقات
گاهی اوقات میتوان عملکرد را با روش هایی بهبود بخشید.
اما در ابتدا ما قادر بودیم روی بسیاری از مسایل بسنجیم
اما با این وجود هنوز فکر میکنم که در سراسر یادگیری ماشین و یادگیری عمیق
فکر میکنم هنوز به مقیاسی نرسیده ایم و منظورم از مقیاس
مقدار داده ای است که میتوانید برای یک مسعله در نظر بگیرید.
که این نکته برای یک مسعله مفید است
همچنین اندازه ی شبکه عصبی
و من فکر میکنم
پردازنده ی GPU
بخش بسیار بزرگی از توانایی ما در
در آموزش شبکه های عصبی کوچک و متوسط و بزرگ بود.
و گاهی اوقات
فکر میکنم
در واقع فکر میکنم بسیاری از کار های اولیه در مورد
آموزش شبکه های عصبی در GPU
اینجا در استنفورد انجام شده.درسته؟
خدمه آنجا از خزندگان برای آموزش شبکه های عصبی استفاده کردند.
فکر میکنم
یک درس که ما بارها و بارها در محاسبات آموخته ایم این است که
ابر رایانه ی دیروز همان
پردازنده ی روی
ساعت هوشمند شماست.درسته؟
و بنابراین چیزی که قبلاً محاسبه ای بود فقط
برای آزمایشگاه های بزرگ تحقیقاتی در استنفورد قابل دسترسی بود.
آنها می توانستند 100000 دلار برای GPU هزینه کنند.
امروزه میتوانید آن را ارزان تر اجاره کنید.
بنابراین در دسترس بودن آن
توانایی آموزش شبکه های عصبی بسیار بزرگ
به دانش آموزان در واقع همه داده شده است.
برای اینکه بسیاری از مردم
بتوانند دسترسی کافی به نیروی محاسباتی قوی برای آموزش
شبکه های عصبی بسیاز بزرگ داشته باشند تا بتوانند
بسیاری از برنامه ها را با دقت بالایی اجرا کنند.
و به نظر میرسد که
اگر به طور گسترده ای به هوش مصنوعی نگاه کنید
رسانه ها
روزنامه ها و خبرنگار ها از اصطلاح AI –هوش مصنوعی- استفاده میکنند.
فکر میکنم در
در دانشگاه و یا در صنعت
ما بیشتر تمایل داریم که بگیم یادگیری ماشین یا یادگیری عمیق.
اگر به طور گسترده ای به هوش مصنوعی نگاه کنید
به نظر میرسد که هوش مصنوعی
ابزار های بسیار زیادی دارد که فراتر از یادگیری ماشین است
حتی فراتر از یادگیری عمیق.
و اگر هر کدام از شما
از CS221 استفاده کند بله درسته کلاس هوش مصنوعی استنفورد
اونوقت میتونه اطلاعات زیادی در مورد ابزار های دیگه ی هوش مصنوعی به دست بیاره.
اما دلیل اینکه یادگیری عمیق امروزه بسیار ارزشمند است
این است که اگر به بسیاری از ابزار های هوش مصنوعی نگاه کنید
میدونید ]صدا[
یادگیری ماشین و یادگیری عمیق وجود دارند
و دوباره برخی از شما میدانید
که شبکه عصبی و یادگیری عمیق تقریبا یک معنی را میدهند.درسته؟
دقیقا همان است.همانطور که میدانید
وقتی ما پیشرفت یادگیری عمیق را در طی چند سال اخیر دیدیم متوجه شدیم که
یادگیری عمیق فقط یک برند جذاب تری بوده.
و خب
و خب برندی است که موفق بوده.
اما
اگر نگاهی بیندازید به
اگر در کلاس هوش مصنوعی شرکت کنید
با سبد ابزار هایی که در هوش مصنوعی وجود دارد آشنا خواهید شد.
فکر میکنم که
ما اغلب از یادگیری ماشین و یادگیری عمیق استفاده میکنیم
و گاهی اوقات از مدل گرافیکی احتمالی آنها نیزی استفاده میکینیم.درسته؟
باید در مورد آن در CS- CS228 بیاموزیم.
گاهی اوقات از الگوریتم برنامه ریزی استفاده میکنم
وقتی روی ماشین رانندگی خودم کار میکنم.
شما به یک الگوریتم برنامه ریزی حرکت نیاز دارید.
شما به الگوریتم های برنامه ریزی مختلف نیاز دارید.
گاهی اوقات من از الگوریتم جستوجو استفاده میکنم.
گاهی اوقات از knowledge representation استفاده استفاده میکنم که بسیار آسان است.
این یکی از فناوری هاست.
به طور خاص نمودار دانش یکی از فناوری هایی است که به طور گسترده در صنعت مورد استفاده قرار می گیرد
اما من فکر می کنم اغلب در دانشگاه های ما مورد استقبال قرار می گیرد.
اگر در وب یک جستو وجو انجام دهید
موتور جست و جوی وب
یک هتل بالا میاورد به همراه
قیمت اتاق و جایی که وای فای و استخر داشته باشد
این در واقع یک نمودار دانش یا knowledge representation است
که توسط بسیاری از شرکت ها مورد استفاده قرار میگیرد.
این پایگاه داده های بزرگ
شاید در دانشگاه ها
یا حتی گاهی اوقات در تئوری بازی خیلی مورد استقبال قرار نگیرند.
بنابراین ، اگر در مورد هوش مصنوعی بیاموزید ، نمونه کارهای بسیار بزرگی از ابزارهای مختلف وجود دارد
 که مشاهده خواهید کرد.
نمونه کارهای بسیار بزرگی از ابزارهای مختلف وجود دارد که مشاهده خواهید کرد.
اما چیزی که در طی چند سال گذشته اتفاق افتاده این است که
اگر شما به یک کنفرانس در مورد مدل های گرافیکی احتمالی بروید
اگر این زمان است و این یک عملکرد A است
می بینید که ، هر سال
مدل های گرافیکی احتمالاتی کمی بهتر از سال گذشته عمل می کنند.
در رابطه با کنفرانس UAI
مطمعن نیستم شاید در کنفرانس AI
شاید در کنفرانس پیشرو
درمورد PGM مطمعن نیستم .میبیند که هر سال
محققان مقاله هایی بهتر از سال گذشته منتشر می کنند.
این زمینه
این روند به طور پیوسته پیش می رود.
و به طور مشابه اگر برای هوش مصنوعی سه گانه پیش برویم خواهیم دید
الگوریتم های جست وجو بهتر میشوند
الگوریتم های knowledge representation بهتر میشوند
و الگوریتم های تئوری بازی هم بهتر میشوند.
و خب رشته ی هوش مصنوعی در همه ی این رشته های مختلف
پیش می رود.
اما چیزی که
بسیار سریع به موفقیت رسیده یادگیری ماشین و یادگیری عمیق است.
و فکر میکنم بخش زیادی از این موفقیت
در ابتدا بر اساس مقیاس
مقیاس داده ها و مقیاس محاسبه هدایت شده.
این واقعیت که اکنون میتوانیم داده های زیادی را به دست آوریم
و آن را به یک شبکه ی عصبی غول پیکر بدهیم و یک عملکرد خوب دریافت کنیم
و اخیرا به علت
حلقه ی پاسخ مثبتی زودهنگامی که
در یادگیری عمیق مشاهده شده
بسیاری از مردم درباره ی الگوریتم های یادگیری عمیق تحقیق می کنند
نو آوری های الگوریتمی بسیار زیادی در
deep learning in the
last several years and youیادگیری عمیق در سال های اخیر وجود داشته
و همچنین چیز های زیادی در مورد
الگوریتم هایی که اخیرا در این کلاس اختراع شده می شنوید
بسیار خب
فکر میکنم نیرو های دوگانه ی محاسباتی در مقیاس داده ای در ابتدا و
و اکنون نیرو های سه گانه
که دارای نوآوری های زیادی هستند
در حال انجام می باشند تا پیشرفت چشمگیری در
در یادگیری عمیق ایجاد کنن
خب در CS230 به دلیل
2 هدف اصلی ما
اولین هدف ما
این است که شما
در الگوریتم های یادگیری عمیق متخصص شوید
کمک کنیم تا به صورت پایه ای یادبگیرید
به طور عمیق دانش مورد نیاز را در
حوزه ی یادگیری عمیق کسب کنید.
دوم اینکه به شما یاد بدهیم که چگونه میتوانید
از این الگوریتم ها برای هر مسعله ای که میخواهید روی آن کار کنید استفاده.
یک چیزی که من یاد گرفتم این است که
در واقع بعضی از شما شاید داستان من را بدانید.درسته؟
من مدت زیادی در استنفورد کار کردم.
من کارم را با هدایت تیم Google Brain آغاز کردم که
پروژه های زیادی در گوگل انجام دادیم.فکر میکنم تیم Google Brain
از ابتدا ساخته شده بود تا بتواند
کمک کند تا گوگل از
از یک شرکت اینترنتی بزرگ به یک شرکت هوش مصنوعی بزرگ تبدیل شود.
چیزی شبیه به این
در Baidu چین انجام شد
که مقر آن در چین بود
از آنچه که بود به چیزی که اکنون است تبدیل شود.
بسیاری از مردم میگویند که بزرگ ترین شرکت هوش مصنوعی چین است.
فکر می کنم از طریق کار بر روی بسیاری از پروژه ها در Google ، بسیاری از پروژه ها در Baidu.
و اکنون هدایت AI landing و کمک کردن به بسیاری از شرکت ها در بسیاری از پروژه ها
و شرکت در شرکت های مختلف
و دیدن پروژه های مختلف یادگیری ماشین آنها باعث شد که
این شانس رو داشته باشم که
نه تنها در مورد جنبه های فنی یادگیری ماشین
بلکه در مورد جنبه های دانش عملی یادگیری ماشین چیز های زیادی آموخته ام
اگر شما
فکر میکنم
چیزی که شما میتوانید از طریق
اینترنت یا از منابع کاملا آکادمیک یا از طریق
خواندن مقالات تحقیقاتی بیاموزید همه ی این ها نتیجه ی جنبه های فنی یادگیری ماشین و یادگیری عمیق است.
موارد زیادی وجود دارد
جنبه های عملی دیگر چگونگی به کار بردن این الگوریتم ها
که من واقعا
هیچ دوره ای را نمیشناسم که به طور عمیق این موارد را آموزش دهند.
شاید یدونه باشه ولی مطمعن نیستم.
اما چیزی که
ما امیدواریم در این کلاس به شما بگوییم
فقط ابزار نیستند بلکه چگونگی کار کردن با آنها را نیز به شما یاد خواهیم داد.
من زمان زیادی رو صرف فکر کردن به اینکه
اواخر شب گذشته
من دیشب تا دیروقت بیدار موندم تا این کتاب حدید نوشته ی
John Osahalts رو که درباره ی معماری نرم افزار است رو بخونم.
خب من فکر میکنم که
یک تفاوت بسیار بزرگی بین
یک مهندس نرم افزار تازه کار و با تجربه است.
شاید همه سینتکس های C++ و Python وjava را درک کنند
آره شما میتویند
اینو درک کنید که "هی
C++ اینجوری کار میکنه یا جاوا این مدلی کار میکنه
یا پایتون اینجوری کار میکنه"
اما نظر دادن در مورد معماری اون سیستم
نیازمند تخصص و داوری سطح بالایی است.
مثلا اینکه از چه انتزاعی استفاده میکنید؟
یا روابط را چگونه تعریف میکنید؟
این تفاوت بین یک مهندس نرم افزار واقعا خوب و
و یک مهندس نرم افزار کم تجربه را مشخص میکند.
صرفا فهمیدن سینتکس های C++ نیست.
و به طور مشابه
امروزه راه های زیادی برای
یادگیری ابزار های فنی یادگیری ماشین و یادگیری عمیق وجود دارد.
و شما آنها را در این کلاس خواهید اموخت.
یاد میگیرید که چگونه یک شبکه عصبی آموزش دهید.
با جدید ترین الگوریتم های بهینه سازی آشنا خواهید شد.
به طور عمیق با conv net آشنا خواهید شد.
شبکه عصبی مکرر چیست.
LSTM چیست.
با intention model آشنا میشوید
و تمام اینها را با جزییات یاد میگیرید.
روی یک پروژه ی بینایی ماشین کار خواهید کرد.
پردازش زبان طبیعی و گفتار و خیلی پروژه های دیگر.
به نظرم یه چیز دیگه ای که این کلاس رو منحصر به فرد میکنه اینه که
فکر میکنم
deeplearning.ai در کورسرا که در این کلاس به آن پرداخته می شود
در تلاش است تا
دانش فنی عملی که در ساخت یک سیستم یادگیری ماشین به کار ببرید تا
بهترین تصمیم را
در مورد اینکه باید داده های بیشتری جمع کنید یا نه به شما می دهد
پاسخ همیشه مثبت نیست.
من فکر میکنم
بسیاری از ما در تلاشیم تا
این پیام که داشتن داده های بیشتر بهتر است را منتقل کنیم.درسته؟
و خب این مسعله درسته چون داده های بیشتر هیچ وقت مشکلی ایجاد نمیکنه
اما فکر میکنم موضوع big data
بیش از حد پررنگ شده.در حالی که گاهی اوقات ارزشش رو نداره که وقت بیشتری رو صرف جمع کردن اطلاعات بیشتر کنید.
بسیار خب.وقتی که شما روی یک
پروژه ی یادگیری ماشین کار می کنید و اگر خودتان به تنهایی این کار را انجام میدهید یا یک تیم را هدایت میکنید
باید این توانایی را داشته باشید تا یک تصمیم درست بگیرید که
باید یک هفته دیگر هم صرف جمع آوری داده کنید
یا باید یک هفته ی دیگر را به تحقیق درباره ی هایپرپارمتر ها بپردازید؟
یا پارامتر های شبکه عصبی تان را تنظیم کنید.
این یک نوع تصمیم گیری است که اگر به درستی انجامش شود
میتواند تیم شما را دو برابر یا سه برابر یا حتی ده برابر کارآمد تر کند.
بنابر این یک کاری که ما میتوانیم در این کلاس انجام دهیم این است که
به طور سیستماتیک تر این دانش را به شما منتقل کنیم.
فکر میکنم
حتی امروز
من تعداد زیادی
از تیم های یادگیری ماشین را در اطراف Silicon Valley و در سراسر جهان بازدید کردم
و میبینم که آنها چه کارهایی انجام میدهند.
اخیراً من از شرکتی بازدید کردم که تیمی متشکل
از 30 نفر در تلاش برای ساخت یک الگوریتم یادگیری داشت
و تیم حدود 30 نفره
حدودا 3 ماه روی الگوریتم یادگیری کار میکردند.
و هنوز نتوانستند آن را عملی کنند.
اساسا آنها
بعد از سه ماه موفق نشدند.
یکی از همکاران من مجموعه داده ها را در اختیار دارد.
Kian؟
Kian تو پخش کن.
چیز بدی نگو
خب
خب
خب یکی از همکاران من
مجموعه داده را به خانه برد و یک آخر هفته را روی آن کار کرد
ببینیم شما چه میکنید.
بسیار خب.
و یکی از همکاران من
در یک آخر هفته طولانی روی این مسعله کار کرد.
او به مدت سه روز در یک آخر هفته طولانی کار کرد
ما تونانستیم یک سیستم یادگیری ماشین بسازیم که عملکرد بهتری نسبت به چیزی که این گروه
30 نفره بعد از سه ماه اراعه دادند.
خب اون چیه؟
نمیدونم.اونا ده برابر اختلاف سرعت دارند.
و تفاوت های زیادی بین تیم های با تجربه ی یادگیری ماشین و تیم های کم تجربه وجود دارد.
که صرفا به چگونگی پیاده سازی ختم نمیشود.
پیاده سازی
فقط این که بدانید چگونه می توانید LSTM را در جریان
Tensorflow یا Keras یا هر چیز دیگری پیاده سازی کنید.
آن را باید بدانید اما علاوه بر ان چیزهای زیاد دیگری هم وجود دارد.
من و kian و تیم آموزشی امیدواریم و
در تلاشیم که تمامی این دانش ها را به طور سیستماتیک به شما منتقل کنیم
به امید روزی که هدایت
یک تیم مهندسی یادگیری ماشین
یا یادگیری عمیق را برعهده گرفتید قادر باشید به صورت کارآمد تری تیم را هدایت و راهنمایی کنید.
اگر هرکدام از شما علاقه مند باشید
یکی از مواردی که من آه
واقعاً چند نفر از شما درباره Learning Learning Machine شنیده اید؟
Learning Learning Machine؟ تقریبا هیجکدام از شماها.
بسیار خب.جالبه.
اگر این اولین کلاس یادگیری ماشین شماست
ممکن است این برایتان کمی پیشرفته باشد.
اما اگر یک زمینه ی کوچکی از یادگیری ماشین داشته باشید میدانید که
Machine Learning Yearning کتابی است که من روی آن کار میکنم.
هنوز در قالب پیش نویس است.
اگر شما Machine Learning Yearning بهتری می خواهید
تلاش من این است که
بهترین اصول را برای تبدیل یادگیری ماشین از
از یک هنر سیاه به یک رشته مهندسی به دست آورید.
اگر به این وب سایت بروید.
این وبسایت برای شما پیش نویس کل کتاب را
که آخر هفته گذشته تمام کردم ارسال خواهد کرد.
و ایمیل این اجازه را به دانش آموزان می دهد
اگر یک کپی از کتاب را میخواهید به این وب سایت بروید
و ایمیل خود را وارد کنید.و مطمعنم
آخر امروز کتاب را ارسال خواهیم کرد.آه مطمعن نیستم.
نسخه ای از پیش نویس کتاب را نیز دریافت خواهید کرد
میخواهم کتاب را بنویسم و بعد از آن فقط به صورت رایگان در اینترنت قرار دهم.
و خب اینجا
ما آنها را برای مردم ایمیل میکنیم
ارگ به وب سایت برید میتونید بگیرید.
فکر میکنم در این کلاس
در مورد بسیاری از اصول Machine Learning Yearning صحبت خواهد شد
ترمین های بیشتری به شما میدهد که فقط خواندن کتاب نیست.
بذارید ببینم
خب kian
یک نگاه کلی تر به آنچه در این کلاس اراعه خواهد شد به شما اراعه میدهد.
یکی از اصولی که من نیز آموخته ام
این است که
بعضی از شما پیشینه من را میدانید درست است؟
به عنوان یکی از هم بنیان گذاران کورسرا
ذر آموزش و پرورش برای مدت طولانی کار کردم.
مدت طولانی رو صرف فکر کردن به آموزش کردم
به نظر من CS230
Kian و گروه اموزشی ما در تلاشند تا
با یهترین کیفیت
دروه ی یادگیری عمیق را اراعه دهند.
خب
این کلاس
در قالب flipped اراعه میشود.
به چه معنی است
من مدت زمان طولانی در مورد SCPD تدریس کردم.
سال های زیادی.
و متوجه شدم که
حتی برای کلاس هایی مثل
CS229 یا بقیه ی دوره های استنفورد
اغلب دانش آموزان
به تماشای این فیلم ها در خانه میپردازند.
آنچه ما فهمیدیم این بود که در کلاس های به قالب flipped
بسیاری از دانش آموزان این ویدیو ها را به هر حال در خانه میبینند.
خب پس چرا ما تلاش بیشتر برای تولید ویدیو های با کیفیت بالا نکنیم؟
تا شما بتوانید زمان
کارآمد تری را به دیدن این فیلم ها اختصاص دهید.
و تیم ما
ویدیو های deeplearning.ai را ساختند
بهترین ویدیو هایی که در یادگیری عمیق ساخته شده
که اکنون در کورسرا موجود است.
خب
به نظر من
کمی وقت گیر خواهد بود اگر بخواهید هم فیلم ها را تماشا کنید و هم
تمرین های برنامه نویسی آنلاین را انجام دهید
و کوییز های آنلاین را پاسخ دهید.
اما این روش زمان را هم برای
جلسه های هفتگی چهارشنبه که همینجا همدیگر را ملاقات میکنیم ذخیره میکند و هم
برای جلسه های گفت و گوی TA ها که هر جمعه به منظور
بحث و گفت و گوی عمیق تر برای موضوعات بسیار عمیق برگزار می شود.
قالب کلاس به این صورت است که از شما می خواهیم
محتوای آنلاین
ایجاد شده توسط deeplearning.ai که در کورسرا موجود است را انجام دهید.
و سپس در کلاس
در هر دو ملاقات با من و kian
من و kian  جلسات را تقریبا نصف به نصف تقسیم میکنیم.
و در جلساتی که با TA ها دارید به گروه های کوچک تر تقسیم میشوید تا
تا تعامل بیشتری با TA ها و
و من و  kian داشته باشید
و به طور عمیق تر به مباحث بپردازید
تا اینکه فقط
محتوای آنلاین را انجام دهید.
این همچنین به ما فرصت بیشتری می دهد تا
مطالب پیشرفته تری را اراعه دهیم
که فراتر از محتوای آنلاین است.همچنین
می توانیم تمرین های اضافی بدهیم.
خب بذارید ببینم.
آره
من دو مورد رو بیان کردم
بقیه رو به kian می سپارم.
من فکر میکنم که
یاد گیری ماشین یا یادگیری عمیق یا هوش مصنوعی
حالا هر چی.صنعت رو به شدت تغییر داده است.
به نظر من هوش مصنوعی الکتریسیته ی جدید است.
به اندازه ی افزایش الکتریسیته
حدود 100 سال پیش
با شروع از ایالات متحده
هر صنعتی را تغییر داد
افزایش برق صنعت کشاورزی را
دگرگون کرد چون ما اکنون یخجال و فریزر داریم.
که این مسعله کشاورزی را دگرگون کرده.
خدمات درمانی را دگرگون کرده.
تصور کنید امروز به یک بیمارستان بدون برق رفته اید
اصلا چه جوری میشه؟
بدون کامپیوتر ، دستگاه های پزشکی ،
چگونه حتی یک سیستم مراقبتی را راه میندازید؟
ارتباطات را از طریق تلگرام متحول کرد
در ابتدا از طریق تلگراف.امروزه هم
بسیاری از ارتباطات به برق نیاز دارند.
برق هر صنعت مهمی را متحول کرده است.
به نظر من یادگیری ماشین و
و یادگیری عمیق به سطحی از بلوغ رسیده اند که میبینیم
میتوانند هر صنعتی را متحول کنند.
و من امیدوارم که
این کلاس
بعد از این 10 هفته شما واجد شرایط برای
ورود به صنایع مختلف و متحول کردن انها باشید.
بعد از این کلاس
امیدوارم که بتوانید
در برخی از شرکت های بزرگ فناوری پیشرفته
شغل خوبی بگیرید.
به نظر من از کار های هیجان انگیزی که امروزه میتوان انجام داد این است که
وارد صنایع با زرق و برق کمتر شویم تا بتوانیم
هوش مصنوعی را وارد این صنایع کنیم.
در راه ورودی
داشتم با دانشجویی که در حوزه کیهان شناسی کار میکند گپ میزدم
تو بودی؟ آه نه کی بود؟
آها اون پشتیه.که گفته بود
کیهان شناسی به یادگیری ماشین نیاز داره.درسته؟
و فکر میکنم اون کسی باشه که بتونه ایده های زیادی رو از یادگیری عمیق وارد کیهان شناسی کنه.
چون فکر میکنم حتی در خارج از حوزه های فناوری های پر زرق و برق
هم امیدوارم بتواند نقشی در تحول هوش مصنوعی
شرکت های بزرگ جستو و جوی اینترنی داشته باشد.
به نظرم این عالی است که
ما تیم های بسیار عالی هوش مصنوعی مانند Google Brain
و Baidu AI و بسیاری از شرکت های دیگر که دارای گروه هوش مصنوعی هستند داریم و این فوق العاده است.
من فکر میکنم کار های مهمی که باید انجام شود
و امید دارم که بسیاری از شما انجام خواهید داد
این است که هوش مصنوعی را وارد حوزه های مراقبت های بهداشتی
زیست شناسی محاسباتی
مهندسی عمران و مهندسی مکانیک کنید.
و به نظرم انجام این کار ها ارزشش را دارد.
و مانند الکتریسته فقط برای یک کاربرد مفید نیست
بلکه کاربرد های فراوان دارد.
آه به نظر من
بسیاری از شما بعد از اتمام این کلاس ها پروژه های مهیج بسیاری انجام خواهید داد.
چه در شرکت های فناوری
چه حوزه های دیگر
مثل کیهان شناسی.درسته؟
و حوزه های دیگری که مورد توجه قرار نگرفته است.
خب اگر بخواهم یک جمع بندی
داشته باشم
به نظر من
یک چیزی که منو این روز ها خیلی هیجان زده میکند این است که
میدونید...
می خواهم یکی از درسهایی که آموخته ام را با شما در میان بگذارم
تماشای ظهور هوش مصنوعی در چندین شرکت و وقت زیادی را صرف فکر کردن در مورد اینکه
چه چیزی آنها را یک شرکت عالی هوش مصنوعی میکند
یکی از درس هایی که من اموختم
در واقع
شنیدن صحبت های Jeff Bezos در مورد یک شرکت اینترنتی بود
فکر میکنم بسیاری از درس هایی که
ما با ظهور اینترنت آموختیم می تواند آموزنده باشد
و شاید یکی از آخرین راه های مهم تکنولوژیکی برای ایجاد اختلال باشد
در حالی که شاید 20 سال پیش زمان بسیار خوبی برای شروع کار بر روی اینترنت بود
به نظر من امروز بهترین زمان برای کار در حوزه ی هوش مصنوعی و یادگیری عمیق است.
Aآیا امکانش هست که چراغ های این سمت هم روشن کنید؟
کنترلش کنم؟
ممنون
باز هم ممنون.بسیار خب.
میخواهم به شما یک چیزی که یاد گرفتم را نشان دهم.
واقعا زمان زیادی رو صرف کردم تا متوجه بشم
ظهور اینترنت چون آنها به عنوان پیشرفت
هوش مصنوعی یادگیری ماشین در حرفه های آینده خود نیز برای بسیاری از شما مفید خواهند بود.
یکی از درس هایی که من آموختم این بود که
شما می توانید مرکز خرید مورد علاقه خود را انتخاب کرده و یک وب سایت برای مرکز خرید بسازید.
آیا این مرکز خرید شما را به یک شرکت اینترنتی تبدیل نمی کند ، درست است؟
مثل همسر من
مانند مرکز خرید استنفورد
و مرکز خرید استنفورد یک وب سایت داریم.
و مرکز خرید استنفورد یک وب سایت داریم.
اما حتی اگر یک مرکز خرید بزرگ در وب سایت چیزهایی را به فروش برساند
تفاوت زیادی بین یک مرکز خرید در مقایسه با
یک شرکت اینترنتی واقعی مانند آمازون یا هر چیز دیگری وجود دارد.
تفاوت چیست؟
حدود 5 یا 6 سال یا
هفت سال پیش ، من با مدیرعامل یک خرده فروش آمریکایی بسیار بزرگ چت می کردم.
و در اون زمان
او و CIO او به من می گفتند,
میگفت "ببین Andrew
ما چیزهایی را در وب سایت می فروشیم
آمازون دارای وب سایتی است
که آمازون در وب سایت چیزهایی را می فروشد
همین موضوع است”
البته اینطور نیست و امروز
آینده ی این خرده فروش بزرگ آمریکایی
کمی مورد سوال است
شاید به خاطر آمازون باشد.
خب چیزی که من یاد گرفتم
با Jeff Bezos این است که
آنچه یک شرکت اینترنتی را تعریف می کند
فقط این نیست که آیا شما به جای آن یک وب سایت دارید. آیا تیم یا شرکت خود را سازمان داده اید
یا شرکت شما کار هایی را که اینترنت به شما اجازه میدهد انجام دهید را به خوبی انجام میدهد یا نه.
به عنوان مثال ، تیم های اینترنتی
درگیر تست های گسترده A / B هستند
 ما می دانیم که می توانیم دو نسخه از وب سایت راه اندازی کنیم
و فقط ببینیم کدام یک بهتر عمل می کند
و بنابراین خیلی سریع یاد می گیریم.
در حالی که در مورد یک مرکز خرید سنتی
شما نمی توانید دو مرکز خرید را
در دو جهان موازی راه اندازی کنید و ببینید کدام یک بهتر کار می کند.
در واقع خیلی کار سخت تریه.
و ما تمایلی به کار های بسیار زمان بر نداریم.
شما میتونید هر روز یا هر هفته یک محصول جدید را ارسال کنید
خیلی سریع تر یاد بگیرید
 در حالی که یک مرکز خرید سنتی ممکن است
 هر سه ماه یک بار مجدداً مرکز خرید را
 طراحی کند.
. و ما در واقع تیم های خود را به طور متفاوتی سازمان می دهیم.
ما تمایل داریم
 تصمیم گیری را به سمت مهندسین یا مهندسان و مدیران محصولات سوق دهیم.
چون در مراکز خرید سنتی
همه چیز کند تر است
و شاید مدیرعامل چیزی بگوید
و بعد همه فقط آنچه را مدیرعامل می گوید انجام می دهند و این خوب است.
اما در عصر اینترنت
ما آموختیم که
فناوری و کاربران ان به حدی پیچیده هستند که فقط
مهندسین و مدیران محصولات
برای کسانی که نمی دانند آن برای چه کسی است
به اندازه کافی به فناوری خود و
و الگوریتم و کاربران نزدیک هستند تا بهترین تصمیم را بگیرند
به همین دلیل ما تمایل داریم قدرت تصمیم گیری در
شرکت های اینترنتی را به سمت مهدسین یا مهندسین و مدیران محصولات سوق دهیم
و شما باید در عصر اینترنت این کار را انجام دهید چون به این ترتیب می توانید
یک شرکت را سامان دهید یا تیمی را برای انجام کار هایی که
اینترنت برای شما فراهم میکند سامان دهید؟
به نظر من این اوج عصر اینترنت بود
با ظهور هوش مصنوعی یا یادگیری ماشین یا یادگیری عمیق
هر چی که صداش می کنید
ما می آموزیم که اگر شما
یک شرکت سنتی به همراه
چند شبکه عصبی داشته باشید
به خودی خود شرکتتان به یک شرکت هوش مصنوعی تبدیل نخواهد شد
به نظرم چیزی که یک تیم هوش مصنوعی را تعریف می کند
این است که
چگونه کار های خود را سامان دهید
چگونه کار های تیم خود را سامان دهی کنید تا بتوانند کار هایی که
یادگیری ماشین و یادگیری عمیق برایتان فراهم میکند را به بهترین شکل ممکن انجام دهند
بنظر من
با تیم های هوش مصنوعی گوگل و Baidu ملاقات کردم و کمی مقرضانه بخواهم بگویم
تیم های بسیار عالی ای هستند و دیگر شرکت ها در فکرشان هستند
اما فکر میکنم حتی بهترین شرکت ها هم کاملا به این فکر نکرده اند که
که اصولی برای سامان دهی تیم ها هوش مصنوعی وجود دارد
اما بعضی از آن ها اینگونه هستند
ما همچین تلاشی داریم
 فکر می کنم این مدل از تیم های هوش مصنوعی در دستیابی به اطلاعات استراتژیک بسیار خوب هستند
و شما میبینید که شرکت ها یا تیم های هوش مصنوعی
حتی
یک سری کارهایی انجام می دهند که از نظر ما بی معنی است مثلا
چرا این شرکت ها محصولات رایگانی دارند که پولی از آن در نمی آورند؟
خب بعضی از آن ها برای به دست آوردن اطلاعاتی و داده هایی که می شود در جاهای دیگر ازش استفاده کرد
مثل تبلیغات و شناسایی بیشتر کاربران
و خب
روش های دستبابی اطلاعات زیادی وجود دارد که ممکن است در ابتدا بی معنی باشد اما
بسیار قابل فهم می شود اگر
به رابطه آن با الگوریتم های یادگیری عمیق و استفاده از آن دیتا ها درجا ها دیگر پی ببریم
فکر می کنم
شرکت ها هوش مصنوعی تمایل دارند
داده ها را به شکل متفاوتی سامان دهی کنند
 تیم های هوش مصنوعی تمایل زیادی دارند که داده های ما را گرد هم آورند.
قبل از ظهور یادگیری عمیق
بسیاری از شرکت ها انبار داده های جدا از هم دارند
اگر یک شرکت بزرگ به همراه
50 پایگاه داده مختلف
در 50 بخش مختلف داشته باشید
برای یک مهندس بسیار سخت خواهد بود که به همه ی این داده ها نگاه بیندازد و
و آنها را کنا هم قرار دهد و یک الگوریتم یادگیر را آموزش دهد تا یک کار بارزش انجام دهد
بنابراین شرکت های برجسته ی هوش مصنوعی
تمایل دارند که انبار داده های یکپارچه ای داشته باشند
فکر میکنم تماشاگران زیادی در خانه داریم
SCPD و بقیه ی تماشاگران اینجا
اگر هرکدام از شما در یک شرکت فناوری کار کنید
میدونید این چیزیه که امروزه
شرکت های زیادی توش سرمایه گذاری میکنند
33:46
تا الگوریتم های یادگیر را پایه گذاری کنند
ما دوست داریم در فراگیری فرصت های اوتوماسیون بسیار خوب عمل کنیم
که بسیار برای فراگیر شدن فرصت ها مناسب است
که به جای اینکه از مردم بخواهید کاری را انجام دهند
یک الگوریتم یادگیر عمیق یا هوش مصنوعی را طراحی کنید که آن کار را انجام دهد
همچنین ما یک تعریف شغلی جدید هم داریم
که فرصت ندار درباره اش صحبت کنم
اما با ظهور اینترنت
ما شروع به تولید نقش ها جدید برای مهندسین کردیم
در واقع در ابتدا
جهان خیلی ساده بود و فقط یک مهدس نرم افزار وجود داشت
اما همزمان با پیچیده تر شدن تکنولوژی
ما شروع به متخصص سازی کردیم
که به همراه اینترنت ما
توسعه دهنده های فرانت اند و بک اند و موبایل داریم
و همچنین با افزایش تخصص در دانش
نقش های زیاد دیگری مانند QA
. DevOps، IT و ... به وجود آمد
و با ظهور یادگیری ماشین
شروع به تولید نقش ها جدید مانند مهندس یادگیری ماشین
دانشمند تحقیقاتی یادگیری ماشین کردیم
و همچنین مدیران محصولات IT
به نسبت مدیران محصولات شرکت های فناوری متفاوت رفتار میکنند
و خب
مواردی است که ما چندین بار
در طول این سه ماه مورد برررسی قرار خواهیم داد
میدونم که بسیاری از شما یا
تماشاچیان SCPD یا آنلاین اکنون در شرکت های مختلفی کار میکنید
بسیاری از شما وقتی که از استنفورد فارغ التحصیل شدید
شاید شرکت خودتون رو راه بندازید یا عضو یه شرکتی که الان وجود داره بشید
و فکر میکنم این به تمام پرسش ها پاسخ میده که
چه جوری تیم خودتون رو در عصر هوش مصنوعی سامان بدید تا
بتونید کار های با ارزشی بکنید
و به نظر من
یا مثلا
به نظر من
یک چیزی که من و  kian دوست داریم در این دوره با شما به اشتراک بذاریم اینه که
به عنوان یک مهندس نرم افزار
زمان زیادی نیازه تا متوجه بشید مفهوم توسعه Agile چیه
یا مفهومpros و  cons
در مدل آبشاری ویروس Agile چیست
یا فرایند Scrum چیست؟
یا آیا بازبینی کد ایده خوبی است؟
یا آیا بازبینی کد ایده خوبی است؟ به نظر من خوبه
اما تمام این روش ها
بعد از ایجاد زبان های برنامه نویسی ایجاد یا اختراع شدند
و ما هنوز هم باید تمام این روش ها را بشناسیم تا تا بتوانیم به
افراد و تیم ها کمک کنیم تا بتوانند نرم افزار های بهتری بنویسند
اگر در تیم های
صنعتی هوش مصنوعی با
کارایی بالا کار کرده باشید میدانید که استفاده از این نرم افزار های مهندسی
36:17
همه جا به کار میاید مثلا Agile یا
هر چیزی
داشتن یک تیم که بتواند این نرم افزار ها را طراحی کند
به مراتب مهم تر از افرادی است که صرفا سینتکس های c++ یا
پایتون را بلد است
به نظرم در دنیای یادگیری ماشین
 ما هنوز در حال اختراع این نوع فرآیندها هستیم
توسعه Agile چیست
معادل بازبینی کد در الگوریتم های یادگیری ماشین چیست و
و خیلی چیز های دیگه
که امروزه بسیار ارزشمند تر هستند و من از آنها مطلع هستمright now.
ما میخوایم این ابزار ها رو به طور سیستماتیک به شما اموزش دهیم
شما قرار نیست فقط الگوریتم یادگیر را بیاموزید
یا فقط آن را پیاده کنید بلکه
قرار است نحوه ی ساخت این سیستم ها را هم یاد بگیرید
خب قبل از اینکه سخنرانی رو بسپرم به kian آخر حرفم رو بزنم
یک سوالی که چندین بار در این هفته از من پرسیده شده
رو میخوام جواب بدم اونم اینه که
چندین کلاس یادگیری ماشین در استنفورد در یایان سه ما برگزار می شود
و سوالی که هست اینه که
شما در کدوم کلاس باید شرکت کنید؟
بذارید قبل از اینکه کسی ازم بپرسه جواب بدم
چون تا الان دو بار تو کلاس های دیگه ی این دوره ازم پرسیده شد
به نظر من
چیزی که در چند سال اخیر در استنفورد اتفاق افتاده اینه که
تقاضا برای آموزش یادگیری ماشین بسیار زیاد شده
و تعداد زیاد متقاضیان دکتری CS در استنفورد
 شما قرار است در حوزه ی یادگیری ماشین یا هوش مصنوعی کار کنید
فکر میکنم همه ی شما میدونید که
تعدا مهندسان یادگیری ماشین کمه
و خب
و این کمبود برای مدت طولانی ادامه داره
فکر کنم خیلی ها اینو دیدن
اگر شما در یادگیری ماشین متخصصص شوید
شانس خوبی برای شما وجود خواهید داشت تا کار های مهمی در دانشگاه انجام دهید
تا یادگیری ماشین را به سمت comp-bio یا کیهان شناسی یا مکانیک ببرید
و تحقیقات منحصر به فردی در دانشگاه انجام دهید
وقتی اطراف سیلیکون ولی پرسه میزنم
حس میکنم ایده های خیلی خوب زیادی برای پروژه های یادگیری ماشین وجود دارد
که افراد صفر صفر دارند روی ان کار میکنند
چون به اندازه کافی مهدس یادگیری ماشین در دنیا وجود ندارد
با فراگیری این مهارت ها
شما شانس اینو دارید که اولین نفری باشید که
کار های هیجان اگیز و پر محتوا انجام می دهد
و شاید در روزنامه ها
خوانده باشید که یک مهندس یادگیر ماشین چقدر پول در میاورد
اما من واقعا خیلی کمتر در میارم
و امیدوارم شما پول زیادی در بیاورید
شاید شما به شخصه
اونو جذاب ندونید
من فکر میکنم هر زمان که یک اختلال بزرگ در فناوری رخ می دهد
 فرصتی برای بازآفرینی بخش های بزرگی از جهان به ما می دهد.
امیدوارم بعضی از شما به سمت بهبود سیستم سلامت بروید
یا بهبود سیستم آموزشی
ببینید آیا می توانیم به حفظ عملکرد صحیح دموکراسی در سراسر جهان کمک کنیم
من فکر میکنم مهارت های منحصر به فرد شما
در یادگیری عمیق این امکان را به شما می دهد
تاکار های با ارزشی انجام دهید
اما به دلیل
تقاضای زیاد آموزش یادگیری ماشین
برای مدت طولانی
دوره ی CS229 منبع اصلی یادگیری ماشین در استنفورد بود
و CS230 که جدید ترین
کار ماست
و کلاسی که من و
. Eunice در این سه ماه درگیر آن هستیم CS229A است
و اگر دارید تصمیم میگیرید که کدام کلاس را انتخاب کنید
این کلاس یه ذره شبیه Pokemon هستند
شما باید همه رو جمع کنید
اما
ما سعی کردیم تا این کلاس ها را جوری طراحی کینم
تا زیاد با هم هم پوشانی نداشته باشند
و خب
من دانش آموزانی را دیدم که دو کلاس را هم زمان پشت سر میگذارند و بسیار هم خوب بود
و درجه ی هم پوشانی خوبی وجود دارد
طوری که چیز های مختلفی یاد میگیرید
اگر هر دوی این کلاس ها را با هم بردارید
Cs229 یادگیری ماشین است
که از ریاضیاتی ترین کلاس های این دوره است
که به مشتقات ریاضی الگوریتم ها می پردازد
 یادگیری ماشین دارد اماCS229A
ریاضیات کمتری دارد در عوض زمان بیشتری را به جنبه های عملی می پردازد
که در واقع ساده ترین دوره ی یادگیری ماشین
با کمترین ریاضیات بین دوره هاست
CS230 حد متوسط است
به نسبت CS229A ریاضیات بیشتری دارد
ولی از CS230 ریاضیات کمتری دارد
اما در عوض CS230 تمرکز بیشتری روی یادگیری عمیق دارد
که یک زیر مجموعه کوچکی از یادگیری ماشین است
که سخت ترین زیر مجموعه یادگیری ماشین است
در حالی الگوریتم یادگیری ماشین دیگری هم وجود دارد مثل
PCA , K-means recommender systems ,
 support vector machines که بسیار کاربردی هستندو من
در کار هایم از انها استفاده میکنم
که ما در CS230 آموزش نمی دهیم اما سپس در CS229 و CS229A آموزش داده می شود.
یک چیز منحصر به فرد در مورد cs230 این است که
بر یادگیری عمیق تمرکز دارد
اگر می خواهید یادگیری عمیق را در رزومه خود ذکر کنید
فکر میکنم این راحتترین راه ممکن
که من میدانم باشد
این چیزی نیست که من تمایل به بازسازی آن داشته باشم
اما فکر میکنم CS230 به طور عمیق به چگونگی استفاده از این الگوریتم ها می پردازد
خب
می خواهم انتظاراتم رو بگم
خب من نمیخوام که
که بعدا اعتراض کنید که چرا
ریاضیات وجود نداره. چون هدف اصلی ما این نیست
چیزی که در دهه گذشته اتفاق افتاده است این است که
مقدار ریاضیاتی که شما نیاز دارید تا
یک فرد عالی در یادگیری ماشین شوید کاهش یافته است.
و من در CS230 میخوام از ریاضیات کمتری استفاده کنم و
زمان بیشتری را صرف آموزش
مهارت های عملی در مورد چگونگی به کار گیری این الگوریتم ها بکنم
آره
و من فکر می کنم 229A احتمالاً ساده ترین کلاس این دوره است
که بسیار فنی است
شما پروژه های زیادی را در موضوعات متفاوت انجام می دهید ، درست است؟
و به نظر من این دوره ها پایه یا
زیر مجموعه های مطالب پایه ای هستند
چون اگر دانشجویان بخواهد
یادگیری عمیق را بیاموزند
ابتدا باید پایه های
یادگیری ماشین
یا یادگیری عمیق را بیاموزند
پس با این کار شما پایه های را میدانید
قبل از همه چیز و این
شما را آماده میکند تا بعدا به طور عمیق تر به سراغ
بینایی ماشین
 پردازش زبان طبیعی یا روباتیک یا یادگیری تقویت عمیق بروید
و چیزی که معمولا دانشجویان
استنفورد استفاده میکنند همین مطالب پایه ای است.
شما یه بخش کوچکی از بینایی ماشین ، پردازش زبان طبیعی ،
تشخیص گفتار ، اتومیبل های خودرو را خواهید دید
که این امکان را به شما می دهد
تا بدانید آیا میخواهید به طور عمیق تر به پردازش زبان طبیعی بپردازید یا
یا رباتیک یا یادگیری تقویتی یا بینایی ماشین یا هر چیز دیگر
خب اینها بخش های مشترک کلاس هایی است که دانشجویان در آن شرکت میکنند
مشتاقانه منتظر گذراندن این سه ما با شما هستیم
آیا سوالی هست اگر نه بقیه چیز ها رو
بسپرم به kian
 گلوله سوم در دوره هوش مصنوعی چیست؟
آه گلوله سوم در دوره هوش مصنوعی چیست؟
 تصمیم گیری توسط مهندسین و مدیران محصول.
تصمیم گیری را منتشر خواهیم کرد
که منو مهدسین آن را نوشتیم
مهندسین و مدیر محصول
آه ببخشید دوره ی هوش مصنوعی
آه دوره ی هوش مصنوعی اتوکاسیون فراگیر پوزش میخوام
بله اتومایون فراگیر
وقتی که شما درباره هوش مصنوعی صحبت میکند که که مانند الکتریسیته فراگیر خواهد شد
داشتم فکر میکردم که
بگم
که
در واقع
مهم ترین موفقیت
یادگیری ماشین که تا کنوک اتفاق افتاده چیست؟
همه شما احتمالا ده ها بار در روز بدون اینکه بدانید
از الگوریتم های یادگیر استفاده می کنید
هر زمان که از موتور جست و جوی وب استفاده میکنید
یک الگوریتم وجود دارد که هر دفعه نتیجه ی جست و جو را بهینه میکند
و همچنین یک الگوریتم دیگر وجود دارد تا مرتبط ترین
تبلیغات را به شما نمایش دهد و این باعث میشود تا شرکت ها پول زیادی در بیاورند
هر دفعه که از آن استفاده می شود
گوگل و Baidu هر دو گفتند که
ده درصد از جست و جو های موبایل به وسیله ی ویس جست و جو انجام می شود
و این خیلی خوبه چون میتونی با تلفنت حرف بزنی به جای اینکه
بخوای رو صفحه ی کیبورد کوچیک تلفنت تایپ کنی و جست و جو کنی
اگر به
وب سایت آمازون یا نت فلیکس سر بزنید
الگوریتم های یادگیری وجود دارد که
مرتبط ترین فیلم ها یا محصولات را به شما نمایش می دهند.
و هر بار که از کارت اعتباری خود استفاده می کنید
یک الگوریتم یادگیر وجود دارد که
تقریبا برای تمام شرکت هایی که من میشناسم
یک الگوریتم یادگیر وجود دارد که تلاش میکند بفهمد که آیا
خود شما هستید یا اگر کارت به سرقت رفته
یا اگر بفهمد معامله کلاهبرداری است اجازه استفاده نخواهد داد
هر دفعه که ایمیل خود را باز میکنید
تنها دلیل اینکه ایمیل شما حتی قابل استفاده است
وجود فیلتر SPAM است که یک
یک الگوریتم یادگیر است که نسبت به قبل بهتر عمل میکند
نمیدونم
آه اره
یه چیز خیلی جالب در مورد هوش مصنوعی و یادگیری ماشین است کهis,
وقتی در پس زمینه ناپدید میشه من عاشقشم
خب
شما از این الگوریتم ها استفاده میکنید
شما برنامه نقشه برنامه خود را راه میندازید و
و سپس کوتاه ترین مسیر را برای رانندگی به شما پیشنهاد میدهد
یک الگوریتم یادگیر وجود دارد که پیش بینی میکند وضعیت ترافیک در
بزرگراه 101 تا یک ساعت بعد از الان چگونه است
در حالی که شما اصلا نیاز نیست به این فکر کنید که یک الگوریتم یادگیر وجود دارد که
متوجه وضعیت ترافیک تا یک ساعت بعد می شود
یه جورایی جادویی به نظر میرسه درسته؟
و شما فقط ازش استفاده می کنید
ما می تونیم تمام این محصولات شگفت انگیز رو بسازیم
سیستم هایی که کمک زیادی به مردم می کنند و در عین حال جزییات زیادی را حذف می کنند
فکر می کنم در آینده ای نزدیک
بسیاری از دانشجویان دکترای من
و بیشتر گروه های تحقیقاتی من در زمینه یادگیری ماشین برای مراقبت های بهداشتی کار خواهند کرد
فکر میکنم تیم من چیز های قابل توجهی در راه داشته باشند
آه
تیم من در Landing AI زمان زیادی را صرف
صنایع زیادی از تولید تا کشاورزی کرده است
چیزی که منو در مورد آموزش یادگیری ماشین هیجان زده میکنه اینه که
اینه که به افراد در محتوای گفته شده کمک کنم
تحقیقات جالبی در اینجا یعنی استنفورد توسط Chris Peach و چند نفر دیگر
در مورد استفاده از الگوریتم های یادگیر و فیدبک دادن به دانشجویان در تکالیف کدنویسی انجام شده است
ببخشید مثال های زیادی
در مورد یادگیری ماشین وجود دارد که میتونم یه زمانی در موردش صحبت کنم
و پرسش آخر و بعدش میسپرم به kian
آیا سخنرانی ها با اون چیزی که در کورسرا ست خیلی تفاوت داره؟
بذارید ببیننیم.
خب
قالب کلاس این چیزیه که میبینید
ویدئو ها توسط deeplearning.ai ساخته و در کورسرا قرار داده شده است.
پس منو خیلی اونجا میبینید.
اما من و kian
هر چهارشنبه در این کلاس سخنرانی خواهیم داشت
که
کاملا جدید خواهد بود و هیچ جا آنلاین نیست
حداقل برای الان
و به نظر من
نکته این است که کلاس های به این فرمت
زمان زیادی را برای شما صرفه جویی میکند وقتی آنلاین یاد میگیرید.
بنابراین محتوای آنلاین وجود دارد.
و کاری که برای ما انجام میده اینه که ما مجبور نیستیم
سخنرانی هایی که هر سال داریم رو هی تکرار کنیم در عوض
زمان بیشتری برای پاسخ به پرسش های شما خواهیم داشت
و همچنین تمرین های بیشتری به شما بدهیم
خب در اینجا محتوای Coursera DIY Coursera وجود دارد
اما ما در CS230 سعی داریم تا به شما تمرین های عمیق تر
مثال های  پیشرفته تر ، برخی مشتقات ریاضی رو اراعه بدیم
تا دانش خودتون رو تو اون زمینه عمیق تر کنید
حالا اجازه بدید
ادامه سخنرانی رو بسپرم به kian
[NOISE].
آره میخوام برگردم پیشش وقتی داره حرف میزنه سر و صدا ایجاد کنم
آره
خب.خیلی ممنونم Andrew.
سلام به همگی من kian هستم.
از اینکه شما اینجا هستید بسیار هیجان زده هستیم.
شماهایی که در کلاس هستید و همچنین دانشجویان SCPD.
میخواهیم وقت بیشتری بگذاریم تا
کمی بیشتر درباره ی تدارکات دوره صحبت کنیم.
که این دوره درباره ی چیست .
دوره ی انلاین به 5 فصل تقسیم میشه.
اولین چیزی که به شما یاد میدهیم نورون است.
شما باید آن را بدانید.
پس از فهمیدن نورون قرار است لایه هایی با این نورون ایجاد کنید
سپس این لایه ها را روی هم قرار دهید
تا یک شبکه ی کوچک یا عمیق بسازید
این اولین دوره است
که متاسفانه برای استقرار یک شبکه کافی نیست
صرفا ساختن
شبکه ی عصبی برای به کار گیری آن کافی نیست
بنابراین در دوره ی دوم
روش هایی به شما اموزش خواهیم داد
تا بتوانید عملکر این شبکه ها را بهبود ببخشید.
این دومین بخش است.
همانطور که Andrew اشاره کرد یک چیزی که
ما در CS230 خیلی روی آن تاکید داریم
کاربرد های صنعتی است و اینکه صنعت پگون با هوش مصنوعی کار میکند.
دوره ی سوم به شما کمک میکند تا درک کنید
51چگونه پروژه ی خود را که در این سه ما انجام میدهید استراتژیک کنید.
و همچنی به طور کلی تیم های هوش مصنوعی چگونه کار میکنند.
شما یک الگوریتم دارید
شما باید متوجه شوید که چرا این الگوریتم کار میکند
یا چرا کار نمیکند
و اگر کار نمیکند
چه بخش هایی در الگوریتم است که شما می توانید آن را بهبود ببخشید؟
دو دوره ی آخر یعنی
دوره های 4 و 5 بیشتر تمرکزشان بر روی
دو حوزه است که بر اساس دو نوع الگوریتم معرفی می شوند.
اول ، شبکه های عصبی Convolution که ثابت شده است
در تصویر برداری و فیلم برداری بسیار خوب عمل میکنند
 و از طرف دیگر مدل های توالی که شامل شبکه های عصبی مکرر نیز هستند
 در پردازش زبان طبیعی یا تشخیص گفتار کاربرد زیادی دارند.
و قرار است تمام این ها را آنلاین مشاهده کنید.
 ما از یک نشانه خاص در CS230 استفاده می کنیم.
وقتی میگم C2M3
به دوره دوم ماژول سوم اشاره میکنم.
 سومین ماژول بهبود شبکه های عصبی عمیق
خب من می خواهم که همه بعد از کلاس
به برنامه درسی وب سایت CS230 بروند
و تمام برنامه های درسی این سه ماه را ببینند.
بررسی کنید میانترم و زمان ارائه نهایی پوستر ها چه زمانی است.
برنامه اینجا پست شده است.
اونو بررسی کنید.همانطور که میدانید ما میخواهیم از پلت فرم کورسرا استفاده کنیم.
بنابراین در کورسرا
یک دعوتنامه در
ایمیل استنفوردتان دریافت خواهید کرد.فکر میکنم دعوتنامه دوره اول را تا الان دریاف کرده باشید.
تا به پلتفرم دسترسی پیدا کنید.
از اون پلت فرم شما قادر خواهید بود ویدیو ها را ببینید
کوییز ها و تکالیف برنامه نویسی را انجام دهید.
و هر وقت یکی از این دوره ها رو تموم کردیم
C1 چهارتا ماژول داره
وقتی در C1 M4 هستید
یک دعوت جدید برای دسترسی به C2 دریافت میکنید و به همین ترتیب ادامه خواهید داشت.
خب در CS230 ما قصد داریم
از Piazza به عنوان یک کلاس کلاس برای تعامل با TA ها و مربیان استفاده کنیم.
بسته به موضوع می توانید خصوصی یا عمومی پیام ارسال کنید.
خب بیایید ببینیم که قرار است یک هفته از زندگی یک دانشجوی CS230 چگونه باشد.
در این سه ماهه پاییز ما میخواهیم ده برابر این کارها را نجام دهیم.
یک ماژول چیست؟
در هر ماژول شما چیزی حدود
ده ویدئو در کورسرا خواهید دید
که حدود یک ساعت و نیم است.
چند کوییز بعد از دیدن ویدئو ها خواهید داد
که حدودا 20 دقیقه برای هر ماژول زمان میبرد.سرانجام
تکلیف برنامه نویسی را انجام خواهید داد.
که در Jupyter Notebooks انجام خواهد شد.
شما سلول هایی را برای آزمایش کد خود دریافت خواهید کرد.
و همچنین مستقا کد خود را در کورسرا ارسال خواهید کرد.
در هر هفته از استنفورد
2 ماژول خواهیم داشت.
در این دو ماژول
شما به مدت یک ساعت و نیم به یک
کلاس سخنرانی خواهید امد و در ان در مورد یک موضوع پیشرفته که در کلاس آنلاین تدریس نمیشود سخنرانی خواهد شد.
بعد از آن در روز جمعه جلسه ی یک ساعته ی TA را خواهید داشت.
این فرصت خوبیست تا دیگر دانشجویان را برای پروژه یخود ملاقات کنید.
و همچنین با TA ها مستقیما تعامل داشته باشید.
سرانجام ما نیز
در این دوره مربی ها را شخصی سازی کردیم.
هر یک از شما 15 دقیقه در هفته با TA ملاقات می کنید
تا پروژه های خود را بررسی کنید و
مراحل بعدی را به شما ارائه می دهد.
ما در این کلاس تأکید زیادی بر پروژه داریم
و از شما می خواهیم
در جمعه ی پیش رو درباره ی تیم های خود تصمیم بگیرید تا هر چه سریع تر شروع به کار کنید.
هفته بعد شما اولین جلسه مشاوره خود با TA ها را خواهید داشت
قراره خوش بگذره.
تکالیف و کوییز ها که
بخشی از ماژول ها هستند هر چهارشنبه ساعت 11 صبح
تا 30 دقیقه قبل از کلاس انجام می شوند تا
بتونید بیاید به کلاس و با کمک همه ی کسایی که انجامش دادند اونو یاد بگیرید.
آخرین مهلت های نمایش داده شده بر روی سکوی Coursera را دنبال نکنید.
آخرین مهلت های ارسال شده در وب سایت CS230 را دنبال کنید.
دلیل اینکه مهلت ها متفاوت است این است که
ما می خواهیم به شما اجازه بدهیم روزهای پایانی داشته باشید
Coursera برای روزهای پایانی ساخته نشده است
بنابراین ما آخرین مهلت ها را بعداً در Coursera قرار می دهیم
تا شما بتوانید در صورت تمایل از روز های پایانی برای ثبت کردن استفاده کنید.
متوجه شدید؟ بسیار خب.ما همچنین
از یک نوع تعامل استفاده میکنیم
این دو دوره که شروع شود
ما از یک
ابزار تعامل به نام Mentimeter استفاده خواهیم کرد تا
حضور در کلاس را بررسی کنیم
همچنین برای پاسخ به پرسش های تعاملی شما.
که از
هفته بعد آغاز می شود
در مورد فرمول درجه بندی آه اینجاست
یک بخش کوچک برای حضور دارید
که دو درصد از آزمون نهایی است
هشت درصد برای کوییز ها
25 درصد برای تکالیف برنامه نویسی
بخش زیادی برای میانترم
و پروژه ی پایانی.
اگر می خواهید آن را بررسی کنید ، در وب سایت ارسال شده است.
حضور در سخنرانی
در جلسه ی دیدار با TA ها به مدت 15 دقیقه است که جمعه برگزار می شود.
میتوانید جازه هم بگیرید.ما قبلن دانشجویان فعال زیادی داشتیم
که به سوالای دانشجویان دیگه پاسخ میدادند که خیلی خوب بود.
که جایزه گرفتند.من شما رو هم تشویق میکنم که این کار رو انجام بدید.
شاید به TA نیاز نداشته باشیم.
بسیار خب.من میخوام یه مقدار وقت بیشتری بذارم تا
به برخی از تکالیف برنامه نویسی که قرار است در این سه ماه انجام دهید بپردازم
تا بدانید قرار است چه کنید.
تقریبا به مدت سه هفته از الان
شما قادر خواهید بود این تصاویر را
در شماره هایی که با آنها در زبانهای علامت گذاری شده است ترجمه کنید
این ترجمه زبان علامت از تصاویر به
علامت خروجی است.
شما قرار است یک شبکه عصبی و
اولین logistic regression را بسازید و سپس
یک شبکه عصبی حلقوی تا این مسئله را حل کنید
کمی بعد تر
شما قرار است
یک مهندس یادگیری عمیق در خانه شوید که خیلی از اینجا دور نیست
به نام خانه ی خوشحال
فقط یک قانون در این خانه وجود دارد
و اون قانون اینه که هیچ فرد ناراحتی نباید وارد خانه شود.و باید جلوی آنها گرفته شود.
و چون شما تنها مهندس یادگیری عمیقی هستید که این دانش را دارد
این کار به شما واگذار شده تا
به افراد غمگین اجازه ورود ندهید
فقط به افراد خوشحال این اجازه را بدهید.
و شما قرار است یک شبکه طراحی کنید که یک
دوربین را راه اندازی میکند
که در جلو خانه قرار میگیرد
که به مردم اجازه ورود میدهد یا نمیدهد.
متاسفانه به بعضی از افراد اجازه ورد داده نمیشود
و به بعضی دیگر داده میشود.
اگر خوشحال باشند اجازه ورود پیدا میکنند
و امیدوارم که خانه را تا پایان تکلیف شاد نگه دارید.
این یکی از
برنامه های
یادگیری عمیق است که من به شخصه ترجیح میدهم.
که تشخیص اشیائ نام دارد
شاید درباره ش شنیده باشید.
در زمان واقعی اجرا می شود
و بسیار چشمگیر است.
شما قرار است روی
یک ساختار یادگیری عمیق کار کنید به نام YOLO v2
YOLO v2 یک الگوریتم تشخیص اشیاء است که در زمان واقعی اجرا می شود
و قادر است 9000 شی را با همان سرعت تشخیص دهد.
بسیار بسیار چشمگیر است.
یه سری لینک در اینجا دارید اگر خواستید مقاله را بخونید
اما شاید باید
چند هفته بگذره تا خوب متوجه بشید.
باشه؟ بله.
فکر کنم مستقیما بتونیم روی کامپیوتر من اجراش کنیم.
میتونه جالب باشه.
[NOISE]
میتونیم اجراش کنیم.
خب میتونید ببینید به صورت زنده داره روی کامپیوتر من اجرا میشه
میبینید اگه من حرکت کنم
متوجه میشه که من حرکت کردم.
پس من نمیتونم فرار کنم.
بسیار خب یه چندتا پروژه دیگه.
به مدت دو هفته از الان
شما پیش بینی شوت دروازه بان را به صورت بهینه طراحی خواهید کرد.
مثلا شما در فوتبال یک دروازه بان هستید
و میخواهید تصمیم بگیری که توپ را کجا شوت کنید تا
پیش هم تیمی خودتان فرود بیاید.
شما قرار است به مدت دو هفته از الان
بهترین خط روی زمین را پیدا کنید تا
به دروازه بان بگوید کجا شوت کند.
در دوره ی چهارم
شما قرار است روی یک شبکه عصبی تشخیص خودرو کار کنید
که یک تصویر بزرگ است
این دقیقن تکلیف برنامه نویسی است
قرار است روی یک برنامه ی رانندگی خودمختار کار کنید که قرار است
ماشین ها را پیدا کند
علائم توفق و چراغ های راهنمایی رانندگی را پیدا کند
چراغ های عابر پیاده تمامی اشیائ مرتبط با ویژگی های جاده را پیدا کند
این خیلی جالب است و شما تمامی تصاویر را خودتا قرار است بسازید.
این ها عکسهایی است که از دوربینی که در جلوی خودرو قرار گرفته است
گرفته شده است
که توسط Drive.ai ساخته شده.
شما یک سیستم تشخیص چهره خواهید داشت که برای اولین بار تأیید چهره را انجام می دهد.
آیا این فرد مورد نظر است؟
این فرد چه کسی است؟
که کمی پیچیده تر است.
که با هم به اون می پردازیم.
جفتشون به صورت آنلاین و در سخنرانی.
تولید هنر.شاید بعضی ها شنیده باشید درباره ش.
الگوریتمی است به نام Neural Style Transfer.
و باز هم معمولا
مقاله ها را در انتهای اسلایدها قرار می دهیم که
اگر خواستید بررسی کنید برای پروژه های خودتون بهش دسترسی داشته باشید.
این مسعله به این صورت است که شما محتوای تصویر را می دهید
که Golden Gate Bridge است
و یک تصویر سبک که تصویری است که معمولا توسط
کسی یا تصویری که می خواهید از این سبک استخراج شود ، نقاشی شده است.
این الگوریتم یک تصویر جدید می سازد
که محتویات تصویر اول را با سبک تصویر دوم ترکیب میکند.
ساخت موزیک که بسیار جالب است.
قرار است موسیقی jazz تولید کنید
در دوره ی پنجم
شما قرار است
با دادن شعر های Shakespeare که سال پیش گفته شده متن تولید کنید
شما قرار است به الگوریتم اموزش دهید
تا اشعاری که توسط شکسپیر سروده شده است را تولید کند.
حتی میتونید خط اول رو بنویسید و اون خودش ادامه بده.
Emojifier. همه ی شما تلفن های هوشمند دارید و من
حدس میزنم احتمالا متوجه شدید وقتی جملاتی را در تلفن هوشمند خود مینویسید
به شما میگوید که در ادامه باید چه چیزی قرار دهید و گاهی اوقات یک ایموجی پیشنهاد میدهد.
شما قرار است این کار را انجام دهید.یعنی یک الگوریتمی پیاده سازی کنید که
یک جمله به عنوان ورودی دریافت کند و بگوید چه ایموجی ای
باید بعد از ان بیاید.
ماشین ترجمه یکی از برنامه هایی است که
با یادگیری عمیق بسیار عالی عمل میکند.
شما قرار نیست یک ماشین ترجمه ی کامل را پیاده سازی کنید
بلکه یک چیز مشابه و هیجان انگیز
که تبدیل تاریخ های قابل خواندن برای انسان به تاریخ های خواندن برای ماشین است.
میدونید بذارید بگم
شما یک فرم را پر می کنید و یک تاریخ را تایپ می کنید.
کسی که
تمام این داده ها را جمع اوری میکند
اگر بخواهد همه ی انها را به یک قالب خاص در بیاورد بسیار سخت خواهد بود.
شما یک الگوریتم پیاده سازی خواهید کرد که
تمام این تاریخ ها را در قالب های مختلف دریافت میکند و به قالب مورد نظر تبدیل میکند.
ترجمه از زبان انسان به زبان ماشین.
در پایان ماشه تشخیص کلمات را شروع می کنیم که من عاشق آن هستم و بعضی از شما ها
احتمالا ما رو دیدین که این الگوریتم رو ساختیم.
فکر کنم پارسال بود.من و Eunice و
Andrew روش کار کردیم.
ماشه تشخیص کلمه مسعله ای است که در آن به تشخیص یک کلمه ی واحد پرداخته می شود.
احتمالا شما
اشیایی از
شرکت های بزرگ دارید که صدا تشخیص میدهند و کلمه ی مورد نظر را به شما میدهند.
شما قرار است این الگوریتم را پیاده سازی کنید.
و بسیاری از پروژه های دیگر که در آینده خواهید دید.
این ها تمام چیز هایی است که شما قرار است در این دوره بسازید.
هر یک از شما آن را از طریق تکالیف برنامه نویسی می سازید.
همچنین باید پروژه ی خودتون رو اتخاب کنید تا در طول پروژه روی اون کار کنید.
تمام این مثال ها پروژه هایی است که دانشجویان CS230
در گذشته ساختند که کارشون هم حرف نداشت.
یکی از اون پروژه ها رنگ آمیزی تصاویر سیاه سفید
توسط یک شبکه عصبی برای نمایش رنگی اون تصویر بود.
اون خیلی باحال بود چون ما
الان میتونیم فیلم هایی که
در دهه های 1930s یا 1950s ساخته شدند و رنگی نبودند رو
رنگی کنیم.
یا پیش بینی قیمت یک شی از یک عکس.
این یک پروژه عالی در اولین تکرار CS230 بود که در
یک دوچرخه به عنوان ورودی میدهید و شبکه ی عصبی قیمت ان را حدس میزند.
اگر میخواهید یک جنسی رو بفروشید ولی قیمتش رو نمیدونید فقط کافیه
این رو به اون برنامه بدید و با همون قیمتی که گفته بفروشید.
دانشجویان در واقع الگوریتمی پیاده سازی کردند تا
ببینند ویژگی های دوچرخه به قیمت چه ارتباطی دارد.
دیدن اینکه
آیا این فرمان است یا اینکه این چرخ ها است یا اینکه جنس دوچرخه است که
باعث می شود این دوچرخه مطابق الگوریتم و سایر موارد دیگر گران شود ، بسیار جالب بود.
در سه ما گذشته
ما پروژه های زیادی در
فیزیک
و اختر فیزیک و مهندسی شیمی و مهندسی مکانیک داشتیم که فوق العاده بودند.
به عنوان مثال تشخیص سیگنال های پیشرو زمین لرزه با یک مدل توالی.
پیش بینی انرژی اتم مبتنی بر ساختار اتمی اتم.
شما
برای مثال نرم افزار هایی را اجرا میکنید که
از نظر محاسباتی واقعا گران هستند
که به ساختار اتمی یک اتم نگاه می کنند و انرژی این اتم را تولید می کنند.
که خب به زمان زیادی نیاز دارد. این دانش آموزان سعی کرده اند
با اجرای یک شبکه عصبی برای یافتن انرژی اتم ، آن را به یک مشکل سه ثانیه ای تبدیل کنند.
مسایل و مشکلات زیادی در صنعت وجود دارد.
مراقبت های بهداشتی ، سرطان ، پارکینسون ،
تشخیص آلزایمر.ما از این موارد زیاد داریم.
ما تقسیم تومور مغزی داشته ایم.
تقسیم یندی یک مشکل در تصویر است که باید هر پیکسل را دسته بندی کنید و
برای مثال بگویید کدام پیکسل با تومور مطابقت دارد.
ما بسیار هیجان زده هستیم تا
ببینیم شما در انتهای این دوره چه چیزی میسازید.
به همین دلیل میخواهیم که تیم های خود را هر چه سریع تر
تشکیل دهید چون پروژه
همان چیزی است که شما باید در پایان این دوره به آن افتخار کنید.
امیدواریم که در جلسه ی پوستر به پوستر خود افتخار کنید
و به پروژه ی خود که برای ما ارسال کردید افتخار کنید و بتوانید
درباره ی آن تا 20 سال بعد هم با افتخار صحبت کنید.
فکر کنم Andrew میتواند
تایید کند که دانشجویان CS229
از چند سال گذشته پروژه هایی را انجام داده اند که امروزه شگفت انگیز است و به عنوان یک
محقق یا یک پروژه صنعتی در سراسر جهان به نمایش گذاشته شده است.
خب برای جمع بندی.در این دوره برنامه های زیادی خواهید ساخت
خیلی کاربردی است.
کمی ریاضیات وجود دارد اما کمتر از CS229 بیشتر از CS229A.
و شما به لطف تیم عای
TA ها و مربیان به یک شخصی هم دسترسی دارید.
و در نهایت
ما باید یک پروژه ی ده هفته ای بسازیم.
اکنون به مسلعه جدی رسیدیم.
آنچه در این هفته داریم
در پایان هر سخنرانی
یک اسلاید خواهید داشت که برنامه های هفته بعد را به شما یاداوری میکند.
چهارشنبه بعد ساعت 11 صبح
اکانت های Coursera خود را بر اساس دعوتی که دریافت می کنید ایجاد کنید.
اگر دعوتی دریافت نکردید
آن را به عنوان پست های خصوصی در  Piazzaارسال کنید ، ما دوباره آن را ارسال خواهیم کرد.
دو ماژول اول کورس یعنی C1M1 و C1M2 تمام کنید
که شامل
دو آزمون و دو تکلیف برنامه نویسی و حدود 20 فیلم است که در این جا ذکر شده.
و برای جمعه یعنی دو روز بعد
در انتهای ان روز
هم تیمی های خود را پیدا کنید
و فرم را پر کنید تا به ما بگویید هم تیمی شما کیست.
اون وقت ما میتونیم برای شما یک مربی انتخاب کنیم.
سرانجام ، این جمعه یک بخش TA نیز وجود دارد ، بدون مشارکت در پروژه.
که از هفته بعد آغاز می شود.
اما جمعه شما را خواهیم دید.
اگر مایل باشید می خواهی چند سوال بپرسم. بفرمایید.
آیا ما هم میتوینم از این اسلاید ها استفاده کینم؟
بله این اسلاید ها قرار است در
در انتهای کلاس ارسال شوند.
خب جلسه های TA
روز جمعه قرار است جلسه های زیادی از TA ها
برگزار کنیم.
و هر دفعه به یکی از اون جلسه ها اختصاص داده می شوید.اما اگر میخواهید بخشتان را تغییر دهید
میتوانید
یک ایمیل به صورت اختصاصی ارسال کنید تا به بخش دیگری منتقل شوید.
خب این تیم چه قدر بزرگ است؟
از یک تا سه دانش آموز دارد.
استثناعا
گروه 4 تایی هم میشه تشکیل داد در صورتی که پروژه به اندازه کافی چالش برانگیز باشه.
آیا میتوینم پروژه ها رو با کلاس های دیگه ادغام کنیم؟
بله امکان ادغام کردن
پروژه با کلاس های دیگه وجود داره.این کار قبلا هم انجام شده.
چیزی که ما میخواهیم این است که
شما یک پروژه و یک پوستر اراعه دهید که
به همراه CS230 قاب بندی خواهد شد.
و شما با ما بحث می کنیدس
تا بتوانیم اعتبار سنجی کنیم که آیا می توانید این پروژه را
با کلاس دیگری ادغام کنید ، زیرا این امر مستلزم داشتن یادگیری عمیق است.
مطمعنا نمیتونید
این پروژه رو با کلاسی که کلا یادگیری عمیق نداره ادغام کنید.
بسیار خب.یک سوال دیگه
فکر میکنم در کورسرا شما میتونید
دوباره کوییز ها رو بگیرید.آیا در کلاس هم این امکان وجود داره؟
شما هر تعداد دفعه که بخواید میتونید کوییز رو بدید
ما آخرین پاسخ های ثبت شده ی شما رو در نظر میگیریم
و اگر کاملش نکرده باشید میتونید کامل کنید و دوباره ثبتش کنید
بسیار خب خیلی ممنونم دوستان.جمعه میبینمتون.س
