تعلم الآلة

رقم التدريب 5438

هدف التدريب

ستزود هذه الدورة المشاركين بأفضل الممارسات والتقنيات والمعرفة العملية اللازمة من أجل رفع المؤسسات من أجل تحسين استثماراتها في الذكاء الاصطناعي لتصبح في طليعة ثورة الذكاء الاصطناعي حيث أن هذه التقنيات في الواقع هي عوامل تمكين رئيسية للأنظمة المعقدة التي تطورالمؤسسات إلى عقلية هندسة النظام.

فهرس موضوعات التدريب

Day One

Deep Learning Concept
Neural Network Concept
Development History of Neural Networks
Single-Layer Perceptron
XOR Problem
Feedforward Neural Network
Solution of XOR
Impacts of Hidden Layers on A Neural Network

Day Two

Activation Function
Sigmoid
Tanh
Softsign
Rectified Linear Unit (ReLU)
Softplus
Softmax
Normalizer
Penalty Parameters
L1 Regularization
L2 Regularization
L1 v.s. L2
Dataset Expansion
Dropout
Early Stopping

Day Three

Optimizer
Momentum Optimizer
AdaGrad Optimizer (1)
AdaGrad Optimizer (2)
RMSProp Optimizer
Adam Optimizer (1)
Adam Optimizer (2)
Optimizer Performance Comparison
Convolutional Neural Network
Main Concepts of CNN

مخرجات التعلم

في نهاية الدورة سيكون المتدربين قادرين على :

• وصف وتعريف وتطوير الشبكات العصبية.

• التعرف على المكونات الهامة للشبكات العصبية للتعلم العميق.

• فهم التدريب وتحسين الشبكات العصبية.

• وصف المشاكل الشائعة في التعلم العميق

المتطلبات السابقة للتدريب

ن يكون عمر المتقدم أكبر من 18 سنة
أن يكون حاصل على دبلوم فأعلى في مجال الاتصالات وتقنية المعلومات
أن يكون المتقدم على رأس العمل
أن يكون ملّم بالإحصاء
أن يكون لديه خبره في مجال الاتصالات والتقنية

الشهادات الإحترافية المتعلقة	لا توجد شهادات احترافية مرتبطة بالدورة التدريبية.
اسم مقدم الدورة	Ahmed Imam
خبرات المدرب	خبرات المدرب Artificial Intelligence professional and Machine Learning Engineer with good technical skills, Certified as Machine Learning, Neural Networks and Deep Learning Instructor from Epita (France), ITI (Egypt) and Certified as Artificial Intelligence Instructor from HUAWEI Preparing Data-Science Master (Cairo University), YouTuber and Technical writer Work History 2020-01 - Current Machine Learning Engineer Self-Employed, Cairo, Cairo ⚫ Python ⚫ Advanced Python libraries for data science and machine learning (i.e. Scikit-Learn, Pandas, NumPy,...etc). ⚫ Linear algebra basics. ⚫ Basics of statistics and probability. ⚫ Dataset Engineering (preparation, cleaning, filling missing data, collinearity and covariance, visualization and dimensionality-reduction). ⚫ Machine learning basics (overfitting, underfitting, bias, variance, cross-validation and creating pipelines). ⚫ Supervised machine learning algorithms like LinearRegression, Logistic-Regression, SVM , Penalized-Regression (Ridge-Regression, LASSO-Regression), Decision-Trees (Regressor, Classifier), KNN, Naive Bayes, K-Means and Ensemble-Methods (Random-Forest, Gradient-Boosting). ⚫ Unsupervised machine learning algorithms as PCA (Principle Component Analysis), K-Means and Gaussian Mixtures . 2019-01 - Current Computer-Vision Engineer Self-Employed, Cairo, Cairo ⚫ Tensor data structure. ⚫ Deep-Learning frame works (TensorFlow, Keras). ⚫ Artificial Neurons anatomy. ⚫ Artificial Neural Networks (Feed-Forward and Backpropagation algorithms). ⚫ Sequential APIs and Functional APIs ⚫ Activation functions. ⚫ Optimization algorithms (Gradient-Descent, SGD, Momentum GD, ADAM). ⚫ Hyperparameters study. ⚫ Saving and restoring models. ⚫ Good Experience in Deep-Learning with Tenser-Flow and Keras. ⚫ Image Fundamentals. ⚫ Convolutional Neural Networks (CNN). ⚫ OpenCV framework ⚫ Image features and descriptors extrasction. ⚫ Face Detection, Object Detection, .. ⚫ Image-Classification vs Object-Detection. ⚫ YOLOv3 Framework.