دوره یادگیری عمیق با PyTorch همراه با فلشکارت آموزشی — ارائه روی فلش مموری
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره یادگیری عمیق با PyTorch
موضوع کلی: برنامه نویسی
موضوع میانی: هوش مصنوعی و یادگیری ماشین (AI/ML)
📋 سرفصلهای دوره
- 1. مقدمهای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
- 2. چرا یادگیری عمیق و PyTorch؟
- 3. نصب و راهاندازی محیط توسعه (CUDA, PyTorch)
- 4. مرور پایتون برای یادگیری عمیق
- 5. مقدمهای بر NumPy و عملیات آرایهای
- 6. مفهوم Tensor در PyTorch
- 7. ایجاد و دستکاری Tensorها
- 8. عملیات ریاضی روی Tensorها
- 9. Indexing, Slicing و Reshaping Tensorها
- 10. جابجایی Tensor بین CPU و GPU (CUDA)
- 11. مفهوم محاسبات گرادیان و Backpropagation
- 12. Autograd در PyTorch: ردیابی عملیات
- 13. `requires_grad` و `grad_fn`
- 14. محاسبه گرادیان با `backward()`
- 15. مدیریت گرادیانها و صفر کردن آنها
- 16. استفاده از `torch.no_grad()` و `model.eval()`
- 17. مدل پرسپترون و محدودیتهای آن
- 18. شبکههای عصبی چندلایه (MLP)
- 19. توابع فعالسازی: ReLU, Sigmoid, Tanh, Leaky ReLU
- 20. لایههای خطی (Linear Layers) در `torch.nn`
- 21. تابعهای هزینه (Loss Functions): MSE, Cross-Entropy
- 22. بهینهسازها (Optimizers): SGD, Adam, RMSprop
- 23. کلاس `torch.nn.Module` برای ساخت مدلها
- 24. ساخت یک شبکه عصبی ساده با `nn.Sequential`
- 25. سفارشیسازی مدل با ارثبری از `nn.Module`
- 26. استراتژیهای مقداردهی اولیه وزنها
- 27. آمادهسازی دادهها: `torch.utils.data.Dataset`
- 28. ایجاد Batchها: `torch.utils.data.DataLoader`
- 29. چرخه آموزش (Training Loop) در PyTorch
- 30. انجام Forward Pass و محاسبه Loss
- 31. انجام Backward Pass و بهروزرسانی وزنها
- 32. ارزیابی مدل: چرخه اعتبارسنجی (Validation Loop)
- 33. ذخیره و بارگذاری مدلهای PyTorch
- 34. تنظیم نرخ یادگیری با Learning Rate Schedulers
- 35. پایش آموزش با TensorBoard یا Weights & Biases (مفهومی)
- 36. مفهوم Early Stopping
- 37. Overfitting و Underfitting: شناسایی و مقابله
- 38. Regularization: L1 و L2 (Weight Decay)
- 39. لایه Dropout برای جلوگیری از Overfitting
- 40. Batch Normalization: کاهش Internal Covariate Shift
- 41. تنظیم Hyperparameterها: رویکردها
- 42. Data Augmentation برای افزایش تنوع داده
- 43. مفهوم Bias-Variance Tradeoff
- 44. عیبیابی و دیباگ کردن مدلهای یادگیری عمیق
- 45. مقدمهای بر بینایی کامپیوتر
- 46. عملیات Convolution: فیلترها و استخراج ویژگی
- 47. Padding و Stride در Convolution
- 48. لایههای Pooling: Max Pooling و Average Pooling
- 49. `torch.nn.Conv2d` و `torch.nn.MaxPool2d`
- 50. ساخت یک CNN ساده برای دستهبندی تصاویر
- 51. درک لایههای Flatten و Fully Connected در CNN
- 52. مجموعه دادههای استاندارد بینایی کامپیوتر (MNIST, CIFAR-10)
- 53. انتقال یادگیری (Transfer Learning)
- 54. Fine-tuning مدلهای از پیش آموزش دیده
- 55. معماریهای معروف CNN: LeNet, AlexNet, VGG
- 56. ResNet: Residual Connections برای شبکههای عمیق
- 57. Inception Networks (GoogLeNet)
- 58. MobileNets و شبکههای سبک وزن
- 59. مدلهای Pre-trained در `torchvision.models`
- 60. معماری U-Net برای Semantic Segmentation (مفهومی)
- 61. معرفی Object Detection (R-CNN, YOLO, SSD - مفهومی)
- 62. دادهافزایی پیشرفته در بینایی کامپیوتر
- 63. PyTorch Hub و استفاده از مدلهای آماده
- 64. معرفی Vision Transformers (ViT)
- 65. مقدمهای بر پردازش زبان طبیعی (NLP)
- 66. مدلسازی دادههای توالی: چالشها
- 67. Recurrent Neural Networks (RNN) پایه
- 68. مشکل Vanishing/Exploding Gradients در RNNها
- 69. شبکههای حافظه بلند-کوتاه مدت (LSTM)
- 70. واحدهای بازگشتی دروازهبندی شده (GRU)
- 71. پیادهسازی RNN, LSTM, GRU در PyTorch
- 72. بستهبندی توالیها (Padding and Packing)
- 73. RNNهای دو جهته (Bidirectional RNNs)
- 74. کاربردهای RNN در تولید متن و تحلیل احساسات
- 75. Word Embeddings: Word2Vec, GloVe (مفهومی)
- 76. لایه `torch.nn.Embedding`
- 77. Subword Tokenization (BPE, WordPiece - مفهومی)
- 78. مفهوم Attention Mechanism
- 79. Self-Attention در شبکههای عصبی
- 80. معماری Transformer: Encoder-Decoder
- 81. Multi-Head Attention در Transformer
- 82. Positional Encoding برای توالیها
- 83. پیادهسازی یک لایه Transformer در PyTorch
- 84. معرفی مدلهای Pre-trained Transformer (BERT, GPT - مفهومی)
- 85. مقدمهای بر مدلهای مولد (Generative Models)
- 86. Autoencoderها برای کاهش ابعاد و یادگیری ویژگی
- 87. Variational Autoencoders (VAEs): تولید داده و یادگیری فضای نهان
- 88. شبکههای مولد تخاصمی (GANs): Generator و Discriminator
- 89. چرخه آموزش GANها و چالشهای آن
- 90. Conditional GANs
- 91. کاربردهای GANs: تولید تصویر، Style Transfer
- 92. آموزش توزیع شده (Distributed Training) در PyTorch (مفهومی)
- 93. بهینهسازی مدل برای دیپلوی: TorchScript و ONNX
- 94. استفاده از GPUهای چندگانه با `nn.DataParallel` (مفهومی)
- 95. معرفی Explainable AI (XAI) و Interpretability
- 96. اخلاق در هوش مصنوعی و یادگیری عمیق
- 97. تعصب و عدالت در مدلهای ML
- 98. استفاده از اکوسیستم PyTorch (TorchVision, TorchText, TorchAudio)
- 99. مروری بر جدیدترین پیشرفتها و روندهای یادگیری عمیق
- 100. پروژههای عملی و منابع برای ادامه یادگیری
محتویات بسته آموزشی
🌐 سامانه آنلاین فلشکارت؛ مرور هدفمند و هوشمند
اکانت ارائهشده، دسترسی به نسخه تحت وب سامانه فلشکارت ویژه این دوره را فراهم میکند. این سامانه از الگوریتم زمانبندی مرور SM-2 استفاده میکند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم میکند.
به این ترتیب، کارتهای دشوارتر میتوانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسبتری داشته باشید.
مدتزمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج میشود.
گواهی دوزبانه با استعلام آنلاین
پس از تکمیل فعالیتهای لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر میشود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.
این گواهی صرفاً بهعنوان گواهی اتمام دوره آموزشی صادر میشود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.