اپلیکیشن اندرویدی فلشکارت آموزشی Tiny-TSM: آموزش مدل پایهای پیشرفته سریهای زمانی با یک GPU در کمتر از یک هفته
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره Tiny-TSM: آموزش مدل پایهای پیشرفته سریهای زمانی با یک GPU در کمتر از یک هفته
موضوع کلی: مدلهای پایهای (Foundation Models) برای سریهای زمانی
موضوع میانی: آموزش کارآمد مدلهای پایهای سبکوزن برای پیشبینی سریهای زمانی
📋 سرفصلهای دوره
- 1. مبانی سریهای زمانی
- 2. تعریف سری زمانی
- 3. انواع سریهای زمانی
- 4. ویژگیهای سریهای زمانی
- 5. دادههای سری زمانی چیستند
- 6. کاربردهای سریهای زمانی
- 7. چالشهای سریهای زمانی
- 8. مفاهیم پیشبینی سری زمانی
- 9. مدلهای کلاسیک سری زمانی
- 10. ARIMA و انواع آن
- 11. Smoothing و انواع آن
- 12. نکات کلیدی در تحلیل سری زمانی
- 13. مقدمهای بر یادگیری عمیق
- 14. شبکههای عصبی مصنوعی
- 15. شبکههای کانولوشنال (CNN)
- 16. شبکههای بازگشتی (RNN)
- 17. شبکههای حافظه کوتاهمدت بلند (LSTM)
- 18. شبکههای واحد بازگشتی (GRU)
- 19. کاربرد یادگیری عمیق در سریهای زمانی
- 20. چرا مدلهای پایهای؟
- 21. تعریف مدل پایهای (Foundation Model)
- 22. مزایای مدلهای پایهای
- 23. چالشهای مدلهای پایهای
- 24. مقدمهای بر مدلهای پایهای سری زمانی (TSFM)
- 25. نیاز به مدلهای پایهای برای سریهای زمانی
- 26. انتقال یادگیری (Transfer Learning) در سریهای زمانی
- 27. تنظیم دقیق (Fine-tuning) TSFM
- 28. دوره آموزشی Tiny-TSM
- 29. اهداف دوره Tiny-TSM
- 30. پیشنیازهای دوره Tiny-TSM
- 31. معرفی مقاله Tiny-TSM
- 32. اهمیت Tiny-TSM
- 33. مبانی معماری Tiny-TSM
- 34. لایههای اصلی Tiny-TSM
- 35. استفاده از کانولوشن در TSFM
- 36. مدلهای مبتنی بر ترنسفورمر برای سریهای زمانی
- 37. Transformer Encoder
- 38. Transformer Decoder
- 39. مکانیسم توجه (Attention Mechanism)
- 40. انواع Attention
- 41. Self-Attention
- 42. Cross-Attention
- 43. ملاحظات در معماری Tiny-TSM
- 44. سبکسازی مدل (Model Lightweighting)
- 45. تکنیکهای کاهش اندازه مدل
- 46. کوانتیزاسیون (Quantization)
- 47. هرس (Pruning)
- 48. تقطیر دانش (Knowledge Distillation)
- 49. معماری مدل پایهای سبکوزن
- 50. طراحی معماری Tiny-TSM
- 51. توابع فعالسازی (Activation Functions)
- 52. استفاده بهینه از لایهها
- 53. آموزش مدل پایهای
- 54. تابع زیان (Loss Function) برای سریهای زمانی
- 55. بهینهسازها (Optimizers)
- 56. تنظیم نرخ یادگیری (Learning Rate Scheduling)
- 57. آموزش خودنظارتی (Self-Supervised Learning)
- 58. رویکردهای SSL برای سریهای زمانی
- 59. مثالهایی از SSL در TSFM
- 60. پیشبینی آینده (Forecasting) به عنوان وظیفه SSL
- 61. سیاه کردن (Masking) و پیشبینی
- 62. بهینهسازی فرایند آموزش
- 63. استفاده از GPU برای آموزش کارآمد
- 64. نکات فنی استفاده از GPU
- 65. مدیریت حافظه GPU
- 66. آموزش توزیعشده (Distributed Training)
- 67. نکاتی برای آموزش با یک GPU
- 68. افزایش سرعت آموزش
- 69. کاهش زمان آموزش
- 70. تنظیم پارامترهای آموزش (Hyperparameter Tuning)
- 71. انتخاب بهترین هایپرپارامترها
- 72. جستجوی شبکهای (Grid Search)
- 73. جستجوی تصادفی (Random Search)
- 74. تنظیم پارامترهای کلیدی Tiny-TSM
- 75. تنظیم اندازه دسته (Batch Size)
- 76. تنظیم نرخ یادگیری
- 77. تعداد دورههای آموزش (Epochs)
- 78. مجموعه دادهها برای آموزش Tiny-TSM
- 79. انواع مجموعه دادههای سری زمانی
- 80. آمادهسازی دادهها
- 81. پیشپردازش (Preprocessing) دادهها
- 82. نرمالسازی (Normalization)
- 83. مقیاسبندی (Scaling)
- 84. پنجرههای لغزان (Sliding Windows)
- 85. معیارهای ارزیابی مدلهای سری زمانی
- 86. خطای میانگین مطلق (MAE)
- 87. خطای میانگین مربعات (MSE)
- 88. ریشه خطای میانگین مربعات (RMSE)
- 89. نکات تکمیلی برای ارزیابی
- 90. ارزیابی در مقابل مدلهای SOTA
- 91. پیادهسازی Tiny-TSM
- 92. ابزارهای مورد نیاز
- 93. PyTorch و TensorFlow
- 94. کتابخانههای مرتبط
- 95. کدنویسی بخشهای اصلی Tiny-TSM
- 96. آموزش مدل با کد
- 97. استفاده از کد مقاله Tiny-TSM
- 98. تنظیم و اجرای کد
- 99. عیبیابی (Debugging) در آموزش
- 100. تنظیم دقیق (Fine-tuning) Tiny-TSM
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.