اپلیکیشن اندرویدی فلش‌کارت آموزشی PyTorch: سفری به دنیای شبکه‌های عصبی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره PyTorch: سفری به دنیای شبکه‌های عصبی

موضوع کلی: زیرساخت‌های محاسباتی و هوش مصنوعی

موضوع میانی: پروژه‌های Open Source AI

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و شبکه‌های عصبی
• 2. آشنایی با پایتون برای یادگیری عمیق
• 3. نصب و پیکربندی PyTorch
• 4. تانسورها در PyTorch: مبانی و عملیات
• 5. گرادیان‌ها و بهینه‌سازی در PyTorch
• 6. ساخت شبکه‌های عصبی ساده با PyTorch
• 7. مجموعه‌داده‌ها و Data Loaderها در PyTorch
• 8. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 9. تابع زیان (Loss Function) و انتخاب مناسب آن
• 10. الگوریتم‌های بهینه‌سازی: SGD, Adam, RMSprop
• 11. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 12. لایه‌های مختلف شبکه‌های عصبی: خطی، ReLU، Sigmoid
• 13. تنظیم‌سازی (Regularization) برای جلوگیری از بیش‌برازش
• 14. اعتبارسنجی مدل و ارزیابی عملکرد
• 15. ذخیره و بارگذاری مدل‌های PyTorch
• 16. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 17. لایه‌های کانولوشنی، Pooling و Flattening
• 18. معماری‌های معروف CNN: LeNet, AlexNet, VGG
• 19. انتقال یادگیری (Transfer Learning) با مدل‌های از پیش آموزش‌دیده
• 20. تشخیص اشیاء با استفاده از CNN
• 21. شبکه‌های عصبی بازگشتی (RNN) برای پردازش داده‌های ترتیبی
• 22. حافظه کوتاه‌مدت بلندمدت (LSTM) و Gated Recurrent Unit (GRU)
• 23. پردازش زبان طبیعی (NLP) با PyTorch
• 24. مدل‌های زبانی و تولید متن
• 25. ترجمه ماشینی با استفاده از شبکه‌های Seq2Seq
• 26. شبکه‌های مولد تخاصمی (GAN)
• 27. تولید تصاویر با استفاده از GAN
• 28. شبکه‌های خودرمزگذار (Autoencoders)
• 29. کاهش ابعاد با استفاده از Autoencoders
• 30. یادگیری تقویتی (Reinforcement Learning) با PyTorch
• 31. محیط‌ها و عامل‌ها در یادگیری تقویتی
• 32. الگوریتم Q-Learning
• 33. الگوریتم Deep Q-Network (DQN)
• 34. اشکال‌زدایی و رفع خطاهای رایج در PyTorch
• 35. بهینه‌سازی عملکرد مدل‌های PyTorch
• 36. استقرار مدل‌های PyTorch در محیط‌های مختلف
• 37. استفاده از GPU برای تسریع آموزش
• 38. مدیریت حافظه در PyTorch
• 39. مفاهیم پیشرفته در شبکه‌های عصبی
• 40. شبکه‌های Transformer و Attention Mechanism
• 41. مدل‌های BERT و استفاده از آن‌ها در NLP
• 42. کاربرد شبکه‌های عصبی در تشخیص بیماری
• 43. کاربرد شبکه‌های عصبی در پیش‌بینی بازار سهام
• 44. کاربرد شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 45. مبانی یادگیری فدرال (Federated Learning)