مشتاق یادگیری،
مسلط به زبان انگلیسی،
علاقه مند به مطالعه مقالات علمی در زمینه یادگیری عمیق و یادگیری ماشین،
مسلط بر git،

مهارت ها:

• Python 3
• tensorflow
• Machine learning
• Deep learning
• Neural Networks
• Data science

مدارک اخذ شده:

• Neural Networks and Deep Learning
• Improving Deep Neural Network: Hyper-parameter Tuning, Regularization, and Optimization
• Structuring Machine Learning Projects
• Convolutional Neural Networks
• Sequence Models

Neural Networks and Deep Learning:

- آشنایی با مفاهیم Supervised Learning و Unsupervised Learning،
- آشنایی با ساختار هر واحد شبکه عصبی،
- پیاده سازی Forward Propagation و Backward Propagation یک شبکه عصبی با استفاده از کتابخانه Numpy،
- آشنایی با تکنیک هایی مانند Vectorization برای افزایش سرعت،
- آشنایی با انواع Activation Functions مانند Sigmoid, ReLU و Softmax.

Credential URL: https://www.coursera.org/account/accomplishments/certificate/29CQ5267B7CZ

Improving Deep Neural Network: Hyper-parameter Tuning, Regularization, and Optimization:

آشنایی با روش‌های بهبود عمل‌کرد انواع شبکه‌های عصبی، مانند:
- Train/Dev/Test sets
- Bias vs Variance
- Vanishing/Exploding Gradients
- Gradient Checking
- Expotentially Weighted Averages (EWA)
- L2 Regularization
- Inverted Dropout
- Early Stopping
- Normalization
- Weights Initialization
- Momentum
- RMSprop
- Adam
- Data Augmentation
- Batch vs Mini-batch

Credential URL: https://www.coursera.org/account/accomplishments/certificate/W8ZYDQZ6MJ4Q

Structuring Machine Learning Projects:

- تشخیص توانایی های پیشرفت پروژه
- استراتژی تقسیم زمان برای بهبود قسمت‌های مختلف پروژه
- آشنایی با روش‌های ارزیابی پروژه مانند F1 Score، Recall و Precision
- Transfer Learning
- Multi-Task Learning
- End-to-End Learning

Credential URL: https://www.coursera.org/account/accomplishments/certificate/YGXVPAR4DDQ7

Convolutional Neural Networks:

دوره CNN مخصوص مدل های پردازش تصاویر
آشنایی با اساس CNN و انواع تکنیک های پردازش تصویر مانند:
- Edge Detection
- Padding
- Pooling Layers
- Data Augmentation
- Intersection Over Union (IOU)
- Non-max Suppression
- Semantic Segmentation
- Transpose Convolution
- Triplet Loss
- 1D and 3D generalization

و انواع مدل های پردازش تصویر مانند:
- Lenet-5
- AlexNet
- VGG-16
- Residual Networks
- Network in Network
- 1x1 Convolution
- Inception Network
- MobileNet
- Efficient Net
- Transfer Learning
- YOLO
- U-Net
- Face Recognition
- Face Detection
- One-Shot Learn
- Object Localization
- Landmark Detection
- Object Detection
- Siames Networks
- Neural Style Transfer

Credential URL: https://www.coursera.org/account/accomplishments/certificate/FZT6BXVG5K6V

Sequence Models:

این دوره مخصوص RNN و مدل های مربوط به زمان است. مانند:
- Natural Language Processing
- Long-Short Term Memory (LSTM)
- Gated Recurrent Unit (GRU)
- Bidirectional Recurrent Neural Network (BiRNN)
- Word2Vec
- GloVe
- Sequence-to-Sequence Model
- Attention Models
- Speech Recognition
- Music Generation
- Sentiment Classification
- DNA Sequence Analysis
- Machine Translation
- Video Activity Recognition
- Name Entity Recognition
- Trigger Word Detection
- Transformer Network
- Self-Attention
- Multi-Head Attention

طراحی انواع معماری های RNN مانند:
- One-to-One
- One-to-Many
- Many-to-One
- Many-to-Many (Tx=Ty)
- Many-to-Many

تکنیک های Sequence Models:
- Sampling Novel Sequences
- Word Embedding
- Cosine Similarity
- Skip-Grams
- Negative Sampling
- Di-biasing Word Embedding
- Beam Search
- Bleu Score

Credential URL: https://www.coursera.org/account/accomplishments/certificate/YQJJ5Y8RAVNT