با گذراندن این دوره، شما قادر خواهید بود:

• مفاهیم کلیدی TensorFlow 2.0 از جمله Graph Execution، TensorBoard و Distributed Training را به طور عمیق درک کنید.
• مدل‌های پیچیده شبکه‌های عصبی کانولوشنی (CNN) و شبکه‌های عصبی بازگشتی (RNN) را با استفاده از Keras API بسازید و آموزش دهید.
• از تکنیک‌های پیشرفته مانند Transfer Learning، Fine-tuning و Data Augmentation برای بهبود عملکرد مدل‌های خود استفاده کنید.
• با مفاهیم پیشرفته‌تر مانند TensorFlow Extended (TFX) برای پایپ‌لاین‌های ML در مقیاس بزرگ آشنا شوید.
• با روش‌های بهینه‌سازی مدل‌ها برای استقرار در محیط‌های مختلف (مانند موبایل و وب) آشنا گردید.
• پروژه‌های عملی و واقعی در حوزه‌های مختلف یادگیری ماشین را پیاده‌سازی کنید.

در این بخش، شما با معماری TensorFlow 2.0، نصب و راه‌اندازی محیط توسعه، و کار با تنسورها آشنا خواهید شد. تمرکز اصلی بر روی Eager Execution خواهد بود که امکان اجرای فوری عملیات را فراهم می‌آورد و دیباگ کردن کد را بسیار ساده‌تر می‌کند.

• نصب و پیکربندی TensorFlow 2.0
• آشنایی با TensorBoard برای مصورسازی
• کار با تنسورها: عملیات پایه و پیشرفته
• Eager Execution: اجرای تعاملی و دیباگ کردن
• نحوه ساخت و کامپایل مدل‌ها با Keras API

این بخش به طور کامل به معماری‌ها و کاربردهای CNN در پردازش تصویر اختصاص دارد. شما با پیاده‌سازی مدل‌های CNN پیچیده و تکنیک‌های بهبود عملکرد آشنا خواهید شد.

• معماری‌های مشهور CNN: LeNet, AlexNet, VGG, ResNet
• پیاده‌سازی CNN از ابتدا با Keras
• Transfer Learning و Fine-tuning برای وظایف بینایی کامپیوتر
• Data Augmentation: افزایش حجم و تنوع داده‌ها
• کاربردهای CNN: تشخیص اشیاء، قطعه‌بندی تصویر (Image Segmentation)
• مثال عملی: ساخت یک مدل تشخیص گربه و سگ با دقت بالا

در این بخش، شما با قدرت RNNها و مدل‌های مبتنی بر آن‌ها در پردازش داده‌های ترتیبی مانند متن و سری‌های زمانی آشنا می‌شوید.

• مبانی RNN، LSTM و GRU
• پیاده‌سازی مدل‌های RNN برای طبقه‌بندی متن
• یادگیری بازنمایی کلمات (Word Embeddings) با TensorFlow
• تکنیک‌های پیشرفته NLP: Attention Mechanisms و Transformers
• ساخت مدل‌های توالی به توالی (Sequence-to-Sequence)
• مثال عملی: ساخت یک سیستم ترجمه ماشینی ساده

آموزش مدل‌های بزرگ و پیچیده نیازمند تکنیک‌های آموزش توزیع‌شده است. این بخش به شما نشان می‌دهد چگونه از چندین GPU یا چندین ماشین برای تسریع فرآیند آموزش استفاده کنید.

• مفاهیم Distributed Training در TensorFlow
• استراتژی‌های TensorFlow برای آموزش توزیع‌شده (MirroredStrategy, MultiWorkerMirroredStrategy)
• آموزش مدل‌ها بر روی خوشه‌های محاسباتی
• مدیریت داده‌ها در مقیاس بزرگ

TensorFlow Extended (TFX) یک پلتفرم جامع برای ساخت و مدیریت پایپ‌لاین‌های یادگیری ماشین در مقیاس تولید است. شما با اجزای کلیدی TFX و نحوه استفاده از آن‌ها آشنا خواهید شد.

• مقدمه‌ای بر TFX و معماری آن
• کامپوننت‌های کلیدی TFX: ExampleGen, StatisticsGen, SchemaGen, Trainer, Evaluator
• ساخت پایپ‌لاین‌های ML برای تولید
• نحوه انتشار و مانیتورینگ مدل‌ها

پس از آموزش مدل، مرحله بعدی استقرار آن در محیط‌های واقعی است. این بخش به روش‌های مختلف استقرار و بهینه‌سازی مدل‌ها برای کارایی بهتر می‌پردازد.

• TensorFlow Lite برای استقرار در موبایل و دستگاه‌های جاسازی شده
• TensorFlow Serving برای استقرار در سمت سرور
• TensorFlow.js برای اجرای مدل‌ها در مرورگر
• تکنیک‌های کوانتیزاسیون (Quantization) و پرونیگ (Pruning) برای کاهش حجم و افزایش سرعت مدل