دوره آموزش کاربردی یادگیری عمیق با کتابخانه پای‌تورچ (PyTorch) در ۱۵ روز همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی یادگیری عمیق با کتابخانه پای‌تورچ (PyTorch) در ۱۵ روز

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری عمیق و نقش هوش مصنوعی در تحول فناوری
• 2. نصب و راه‌اندازی محیط توسعه پای‌تورچ و کتابخانه‌های وابسته
• 3. ساختار داده‌ها در پای‌تورچ و آشنایی با تنسورها
• 4. عملیات ریاضی و جبر خطی در کار با تنسورها
• 5. تفاوت‌های یادگیری ماشین سنتی و یادگیری عمیق
• 6. مفهوم شبکه‌های عصبی مصنوعی و اجزای تشکیل‌دهنده آن
• 7. توابع فعال‌ساز و نقش آن‌ها در یادگیری غیرخطی
• 8. معماری پرسپترون چندلایه و پیاده‌سازی گام‌به‌گام
• 9. تابع هزینه و مفهوم بهینه‌سازی در شبکه‌های عصبی
• 10. الگوریتم پس‌انتشار خطا و نحوه به‌روزرسانی وزن‌ها
• 11. گرادیان کاهشی و انواع آن در آموزش مدل‌ها
• 12. مدیریت مجموعه داده‌ها و پیش‌پردازش در پای‌تورچ
• 13. کار با کلاس‌های Dataset و DataLoader برای بارگذاری داده
• 14. آموزش مدل‌های رگرسیون خطی با رویکرد یادگیری عمیق
• 15. دسته‌بندی دودویی و پیاده‌سازی مدل‌های طبقه‌بندی
• 16. ارزیابی عملکرد مدل و معیارهای دقت و خطا
• 17. مفهوم بیش‌برازش و تکنیک‌های منظم‌سازی
• 18. شبکه‌های عصبی کانولوشنی و پردازش تصویر
• 19. لایه‌های کانولوشن و استخرگذاری در شبکه‌های عصبی
• 20. معماری‌های استاندارد شبکه‌های عصبی کانولوشنی
• 21. آموزش مدل‌های طبقه‌بندی تصویر با استفاده از پای‌تورچ
• 22. انتقال یادگیری و استفاده از مدل‌های پیش‌آموزش‌دیده
• 23. کار با شبکه‌های عصبی بازگشتی و تحلیل داده‌های توالی
• 24. مفهوم حافظه بلندمدت و کوتاه‌مدت در شبکه‌های عصبی
• 25. کاربرد یادگیری عمیق در پردازش متن و زبان طبیعی
• 26. معرفی مکانیزم توجه و ترنسفورمرها در یادگیری عمیق
• 27. پیاده‌سازی مدل‌های ساده پردازش زبان در پای‌تورچ
• 28. تکنیک‌های افزایش داده برای بهبود دقت مدل‌ها
• 29. مدیریت حافظه در آموزش مدل‌های سنگین
• 30. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 31. استفاده از شتاب‌دهنده‌های گرافیکی در محاسبات پای‌تورچ
• 32. بهینه‌سازی هایپرپارامترها برای بهبود عملکرد شبکه
• 33. استراتژی‌های رفع مشکل محو شدگی گرادیان
• 34. تکنیک نرمال‌سازی دسته‌ای و تأثیر آن در سرعت همگرایی
• 35. اصول اخلاقی در توسعه هوش مصنوعی و رعایت حریم خصوصی
• 36. کاربردهای هوش مصنوعی در صنعت و سلامت با رعایت استانداردهای ملی
• 37. پروژه عملی: طراحی و آموزش یک شبکه عصبی برای تشخیص الگو
• 38. پروژه عملی: طبقه‌بندی تصاویر با استفاده از شبکه کانولوشنی
• 39. پروژه عملی: پیش‌بینی سری‌های زمانی با مدل‌های بازگشتی
• 40. مسیرهای پیشرفته در یادگیری عمیق و مطالعات تکمیلی