دوره یادگیری عمیق با PyTorch همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

2,490,000 تومان
دوره جامع یادگیری عمیق با PyTorch: آینده را کد بزنید آینده را کد بزنید: دوره جامع و پروژه‌محور یادگیری عمیق با PyTorch به انقلاب هوش مصنوعی خوش آمدید! دنیای تکنولوژی با سرعتی باورنکردنی در حال دگرگونی...
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 622,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 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
✦ مجموعه ویژه یادگیری

یک دوره، چند مسیر برای یادگیری بهتر

کتاب‌های آموزشی، محتوای صوتی و تصویری و دسترسی به سامانه آنلاین فلش‌کارت؛ مجموعه‌ای برای مطالعه، تمرین و تثبیت آموخته‌ها.

📚 محتوای متنی 🎧 صوت و ویدیو 🧠 مرور هوشمند

محتویات بسته آموزشی

مجموعه‌ای از منابع برای شیوه‌های مختلف یادگیری
📚
کتاب نکته‌های خودمانی
نسخه PDF با زبان ساده، روان و کاربردی برای یادگیری راحت‌تر مفاهیم.
PDF · بیان ساده
📘
کتاب نکته‌های رسمی فارسی
نسخه PDF با نگارش استاندارد، بیان دقیق و رویکرد علمی.
PDF · نگارش رسمی
❓
کتاب پرسش و پاسخ تشریحی
نسخه PDF برای مرور مفاهیم و آشنایی با پاسخ‌های توضیحی.
PDF · یادگیری مفهومی
✅
کتاب پرسش‌های چهارگزینه‌ای
نسخه PDF برای تمرین، سنجش آموخته‌ها و آمادگی بیشتر.
PDF · تمرین و سنجش
🎧
پادکست‌های صوتی فارسی
محتوای صوتی برای یادگیری و مرور مطالب در زمان‌های مختلف.
محتوای صوتی
🎬
ویدیوهای آموزشی فارسی
محتوای ویدیویی برای تکمیل تجربه یادگیری و درک بهتر مطالب.
محتوای ویدیویی
💻
اکانت سامانه آنلاین فلش‌کارت
دسترسی به نرم‌افزار آنلاین فلش‌کارت ویژه این دوره برای تمرین و مرور مطالب.
دسترسی آنلاین
🎓
گواهی پایان دوره
امکان دریافت گواهی پس از تکمیل فعالیت‌های لازم در سامانه و طی مراحل تأیید.
پس از تکمیل شرایط
💾
بسته فیزیکی روی فلش مموری
این محصول به‌صورت فلش مموری حاوی فایل‌های آموزشی، محتوای صوتی و ویدیویی ارائه می‌شود.
تحویل فیزیکی
نکته: استفاده از سامانه آنلاین فلش‌کارت به اتصال اینترنت نیاز دارد؛ محتوای قابل استفاده آفلاین به نوع فایل‌های موجود در بسته بستگی دارد.
SMART LEARNING

🌐 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.

🧠
مرور زمان‌بندی‌شده
📈
پیگیری پیشرفت
🔄
تمرین و تکرار هدفمند
📚 حجم آموزشی دوره
هزاران
فلش‌کارت آموزشی، به‌صورت تقریبی
۶۰ ساعت
مدت‌زمان معادل برآوردشده آموزشی

مدت‌زمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج می‌شود.

🏅

گواهی دوزبانه با استعلام آنلاین

گواهی فارسی و انگلیسی · لینک اختصاصی · QR Code

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.

⚖️ توضیح مهم درباره گواهی پایان دوره

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.

تجربه‌ای کامل‌تر برای مطالعه، تمرین و یادگیری
express24.ir
تگ‌ها: AI Deep Learning ML Python PyTorch آموزش AI/ML آموزش پایتورچ آموزش یادگیری عمیق برنامه نویسی پایتورچ هوش مصنوعی هوش مصنوعی با پایتورچ یادگیری عمیق یادگیری عمیق با PyTorch فارسی یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.