کتاب یادگیری عمیق با PyTorch با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 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