اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش کاربردی یادگیری عمیق با استفاده از کتابخانه PyTorch (رویکرد پروژه‌محور)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی یادگیری عمیق با استفاده از کتابخانه PyTorch (رویکرد پروژه‌محور)

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق در علوم رایانه
• 2. معرفی کتابخانه پای‌تورچ و نصب محیط توسعه
• 3. آشنایی با ساختار تنسورها در پای‌تورچ
• 4. عملیات ریاضی و جبر خطی با تنسورها
• 5. مدیریت حافظه و بهینه‌سازی محاسبات در پای‌تورچ
• 6. مفهوم گراف محاسباتی و مشتق‌گیری خودکار
• 7. طراحی و پیاده‌سازی اولین شبکه عصبی ساده
• 8. آشنایی با لایه‌های خطی و توابع فعال‌ساز
• 9. بررسی توابع زیان و نقش آن‌ها در آموزش
• 10. الگوریتم‌های بهینه‌سازی و گرادیان کاهشی
• 11. فرآیند آموزش مدل و حلقه‌های تکرار
• 12. مدیریت داده‌ها با استفاده از کلاس Dataset
• 13. استفاده از DataLoader برای بارگذاری دسته‌ای داده‌ها
• 14. پیش‌پردازش داده‌ها و نرمال‌سازی ورودی‌ها
• 15. معرفی شبکه‌های عصبی چندلایه (MLP)
• 16. پیاده‌سازی مدل‌های طبقه‌بندی دوتایی
• 17. حل مسائل رگرسیون با استفاده از پای‌تورچ
• 18. ارزیابی مدل و معیارهای دقت و خطا
• 19. مفهوم بیش‌برازش و تکنیک‌های منظم‌سازی
• 20. استفاده از Dropout برای بهبود تعمیم‌پذیری
• 21. آشنایی با شبکه‌های عصبی کانولوشنی (CNN)
• 22. عملکرد لایه‌های کانولوشن و ادغام (Pooling)
• 23. پیاده‌سازی معماری‌های کلاسیک برای پردازش تصویر
• 24. آموزش مدل‌های طبقه‌بندی چندکلاسه
• 25. استفاده از مدل‌های پیش‌آموزش‌دیده و یادگیری انتقالی
• 26. معرفی شبکه‌های عصبی بازگشتی (RNN)
• 27. کاربرد شبکه‌های LSTM در تحلیل سری‌های زمانی
• 28. آشنایی با مکانیزم توجه و ترنسفورمرها
• 29. ذخیره‌سازی و بارگذاری وزن‌های مدل
• 30. استفاده از GPU برای افزایش سرعت آموزش
• 31. نظارت بر فرآیند آموزش با ابزارهای گزارش‌گیری
• 32. پیاده‌سازی یک پروژه کامل طبقه‌بندی تصاویر
• 33. تکنیک‌های افزایش داده برای بهبود عملکرد مدل
• 34. بررسی مدل‌های مولد ساده (GAN) در چارچوب‌های استاندارد
• 35. مدیریت پروژه‌های یادگیری عمیق در محیط‌های صنعتی
• 36. بهینه‌سازی مدل برای استنتاج سریع‌تر
• 37. تکنیک‌های کوانتیزاسیون برای کاهش حجم مدل
• 38. مستندسازی و استقرار مدل‌های یادگیری عمیق
• 39. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه الگوریتم‌ها
• 40. مسیرهای پیشرفته در یادگیری عمیق و مطالعه منابع علمی استاندارد