دوره یادگیری عمیق از صفر تا صد با PyTorch همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق از صفر تا صد با PyTorch

موضوع کلی: برنامه نویسی

موضوع میانی: حوزه‌های تخصصی**

📋 سرفصل‌های دوره

• 1. مقدمه بر ماتریس و تانسورها در یادگیری عمیق
• 2. نصب و راه‌اندازی محیط پایتون و PyTorch
• 3. آشنایی با انواع داده‌های تانسور در PyTorch
• 4. عملیات ریاضی و جبر خطی برای شبکه‌های عصبی
• 5. مشتق‌گیری خودکار و مکانیزم گرادیانت در PyTorch
• 6. ساختار پایه‌ای تانسورها: تبدیلات و ریشه‌بندی
• 7. مدیریت حافظه و بهینه‌سازی عملیات تانسور
• 8. مقدمه بر چارچوبهای دیتا و لود کردن داده‌ها
• 9. پیش‌پردازش داده‌ها و نرمال‌سازی در PyTorch
• 10. ساخت دیتاست‌های سفارشی و DataLoader
• 11. معرفی پردازشگرهای گرافیکی و GPU در آموزش مدل‌ها
• 12. معماری پرکست‌ترون و قدم‌های اول یادگیری
• 13. توابع هزینه و الگوریتم‌های بهینه‌سازی پایه
• 14. پیاده‌سازی گرادیانت سقفی از صفر
• 15. شبکه‌های عصبی پیوسته و لایه‌های مخفی
• 16. توابع فعال‌سازی رایج و نقش آنها در یادگیری
• 17. مشکل گرادیانت‌های منقرض‌شده و راه‌حل‌های اولیه
• 18. مقدمه بر شبکه‌های عصبی کانولوشنی (CNN)
• 19. لایه‌های کانولوشن و پولینگ در عمل
• 20. پارامترهای قابل آموزش و مکانیزم بازگشت در CNN
• 21. شبکه‌های عصبی بازگشتی و وابستگی به زمان
• 22. ساختارهای LSTM و GRU برای داده‌های سریالی
• 23. مشکل گرادیانت‌های منفجرشده و کاهش گرادیانت
• 24. معرفی Embedding و تبدیل کلمات به بردار
• 25. مدل‌های زبانی اولیه و پیش‌پردازش متن
• 26. تکنیک‌های بهینه‌سازی پیشرفته (Adam, RMSProp)
• 27. Regularization و مبارزه با افزارش بیشازحد
• 28. استانداردسازی دسته‌ای و تأثیر آن بر آموزش
• 29. یادگیری انتقالی و مدل‌های پیش‌آموزش‌دیده
• 30. پیاده‌سازی Fine-tuning روی مدل‌های قبلی
• 31. ساختار اساسی شبکه‌های مولد تخاصمی (GAN)
• 32. آموزش GAN و مواجهه با مشکل عدم پایداری
• 33. خودرمزگذارهای خودکدار و کاهش ابعاد داده
• 34. خودرمزگذارهای واریاسیونی و تولید داده
• 35. معماری Transformer و مکانیزم توجه
• 36. Self-Attention و محاسبه درون‌لایه Transformer
• 37. پیاده‌سازی Masked Self-Attention برای مدل‌های زبانی
• 38. معرفی مدل‌های زبانی بزرگ و معماری آنها
• 39. Tokenization و پردازش ورودی در LLMها
• 40. پیاده‌سازی خروجی‌دهی در مدل‌های زبانی
• 41. مدل‌های دیتکشن و تشخیص اشیا پیشرفته
• 42. معرفی YOLO و الگوریتم‌های تشخیص زنده
• 43. تقسیم‌بندی پیکسلی و Segmentasi در تصاویر
• 44. الگوریتم‌های تقویتی و محیط‌های تعاملی
• 45. پیاده‌سازی Q-Learning و سیاست‌های بهینه
• 46. استراتژی‌های پیدا کردن هایپرپارامترها
• 47. آموزش توزیع‌شده و موازی‌سازی مدل‌ها
• 48. پیاده‌سازی Mixed Precision Training
• 49. استخراج ویژگی‌ها و تفسیرپذیری مدل‌ها
• 50. مدل‌های مولد مبتنی بر انتشار و ساختار آنها
• 51. پیاده‌سازی فرآیند پس‌سازی در مدل‌های انتشاری
• 52. Neural Architecture Search و طراحی خودکار شبکه
• 53. کاهش داده‌ها و تکنیک‌های پیشرفته
• 54. بهینه‌سازی مدل با Quantization
• 55. پیاده‌سازی Pruning و کاهش اندازه مدل
• 56. استقرار مدل‌ها با TorchScript و ONNX
• 57. ساخت APIهای تعاملی برای مدل‌های عمیق
• 58. مانیتورینگ عملکرد مدل در زمان واقعی
• 59. یادگیری فدرال و داده‌های غیرمتمرکز
• 60. معرفی Meta-Learning و یادگیری چندنمونه‌ای
• 61. پیاده‌سازی Prototypical Networks در Meta-Learning
• 62. معرفی Graph Neural Networks و ساختار آنها
• 63. پیاده‌سازی Message Passing در گراف‌ها
• 64. کاربردهای GNN در سیستم‌های توصیه‌گر
• 65. روند پژوهش‌های پیشروی و آینده یادگیری عمیق