اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش PyTorch برای مدل‌سازی یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش PyTorch برای مدل‌سازی یادگیری عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و PyTorch
• 2. نصب و راه‌اندازی PyTorch
• 3. مبانی تنسورها در PyTorch
• 4. عملیات اساسی تنسورها
• 5. ایندکس‌گذاری و برش تنسورها
• 6. تبدیلات تنسورها
• 7. انتقال تنسورها بین CPU و GPU
• 8. مقدمه‌ای بر محاسبات گرادیان (Autograd)
• 9. کلاس `autograd.Variable`
• 10. محاسبه گرادیان‌ها
• 11. مشتقات مرتبه بالاتر
• 12. اتصال گراف محاسباتی
• 13. قوانین زنجیره‌ای در Autograd
• 14. نحوه کار بک‌پروپگیشن
• 15. مقدمه‌ای بر مدل‌های یادگیری عمیق
• 16. تابع فعال‌سازی (Activation Functions)
• 17. رگرسیون خطی با PyTorch
• 18. رگرسیون لجستیک با PyTorch
• 19. تابع هزینه (Loss Functions)
• 20. بهینه‌سازها (Optimizers)
• 21. یادگیری مبتنی بر گرادیان نزولی (Gradient Descent)
• 22. آموزش یک مدل ساده (مثال گیت منطقی XOR)
• 23. مقدمه‌ای بر شبکه‌های عصبی پرسپترون چند لایه (MLP)
• 24. پیاده‌سازی MLP با PyTorch
• 25. مدول `torch.nn`
• 26. کلاس `nn.Module`
• 27. لایه‌های خطی (`nn.Linear`)
• 28. پیاده‌سازی MLP با استفاده از `nn.Module`
• 29. تعریف تابع هزینه در `nn.Module`
• 30. تعریف بهینه‌ساز در `nn.Module`
• 31. چرخه آموزش (Training Loop)
• 32. آموزش و ارزیابی مدل
• 33. تنظیم هایپرپارامترها (Hyperparameters)
• 34. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 35. کاربرد CNN در بینایی ماشین
• 36. لایه کانولوشن (`nn.Conv2d`)
• 37. لایه Pooling (`nn.MaxPool2d`)
• 38. پیاده‌سازی یک CNN ساده
• 39. داده‌های تصویری و پیش‌پردازش آن‌ها
• 40. بارگذاری و مدیریت داده‌ها با `torch.utils.data`
• 41. کلاس `Dataset`
• 42. کلاس `DataLoader`
• 43. مجموعه داده MNIST
• 44. آموزش CNN بر روی MNIST
• 45. مفهوم Overfitting و Regularization
• 46. تکنیک Dropout
• 47. تکنیک Batch Normalization
• 48. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 49. کاربرد RNN در پردازش زبان طبیعی
• 50. لایه RNN ساده (`nn.RNN`)
• 51. لایه LSTM (`nn.LSTM`)
• 52. لایه GRU (`nn.GRU`)
• 53. پیاده‌سازی RNN برای پیش‌بینی سری زمانی
• 54. پردازش متن با RNN
• 55. بردارهای کلمه (Word Embeddings)
• 56. لایه Embedding (`nn.Embedding`)
• 57. کاربرد Word Embeddings
• 58. آموزش یک مدل NLP ساده
• 59. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال پیشرفته
• 60. معماری‌های معروف CNN (مانند LeNet, AlexNet, VGG)
• 61. انتقال یادگیری (Transfer Learning)
• 62. استفاده از مدل‌های از پیش آموزش دیده
• 63. تنظیم مدل‌های از پیش آموزش دیده
• 64. Fine-tuning مدل‌ها
• 65. پیاده‌سازی شبکه‌های عصبی پیچیده‌تر
• 66. شبکه‌های عصبی کانولوشنال سه‌بعدی (3D CNN)
• 67. شبکه‌های عصبی در پایتورچ برای پردازش گراف
• 68. مقدمه‌ای بر پردازش زبان طبیعی پیشرفته
• 69. معماری‌های مبتنی بر Attention
• 70. مکانیزم Attention
• 71. مدل Transformer
• 72. مقدمه‌ای بر ترنسفورمر
• 73. پیاده‌سازی ترنسفورمر ساده
• 74. کاربرد ترنسفورمر در ترجمه ماشینی
• 75. مدل‌های زبان بزرگ (LLMs)
• 76. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
• 77. اجزای GAN (مولد و متمایز کننده)
• 78. پیاده‌سازی GAN ساده
• 79. آموزش GAN
• 80. کاربرد GAN در تولید تصویر
• 81. مقدمه‌ای بر اتو انکودرها (Autoencoders)
• 82. اجزای اتو انکودر (انکودر و دیکودر)
• 83. پیاده‌سازی اتو انکودر
• 84. کاربرد اتو انکودر در کاهش ابعاد
• 85. کاربرد اتو انکودر در کاهش نویز
• 86. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 87. مفاهیم کلیدی یادگیری تقویتی
• 88. سیاست‌ها (Policies) و ارزش (Value Functions)
• 89. مقدمه‌ای بر Deep Reinforcement Learning
• 90. پیاده‌سازی یک عامل یادگیری تقویتی ساده
• 91. شبکه‌های DQN
• 92. مقدمه‌ای بر PyTorch Lightning
• 93. مزایای PyTorch Lightning
• 94. پیاده‌سازی مدل با PyTorch Lightning
• 95. مدیریت داده با PyTorch Lightning
• 96. مدیریت آموزش با PyTorch Lightning
• 97. کدنویسی تمیزتر و قابل نگهداری‌تر
• 98. پیاده‌سازی چندین مدل با PyTorch Lightning
• 99. استفاده از قابلیت‌های پیشرفته PyTorch Lightning
• 100. مقدمه‌ای بر TensorBoard