کتاب آموزش جامع شبکه‌های عصبی و یادگیری عمیق با کتابخانه PyTorch (کاربردی و صنعتی) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع شبکه‌های عصبی و یادگیری عمیق با کتابخانه PyTorch (کاربردی و صنعتی)

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی و تاریخچه هوش مصنوعی و یادگیری ماشین
• 2. آشنایی با محیط برنامه‌نویسی پایتون برای علوم داده
• 3. معرفی کتابخانه پای‌تورچ و ساختار تنسورها در آن
• 4. عملیات ریاضی بر روی تنسورها و مدیریت حافظه
• 5. مفهوم نورون مصنوعی و مدل پرسپترون ساده
• 6. تابع فعال‌ساز و نقش آن در مدل‌سازی غیرخطی
• 7. مفهوم بازگشت خطا و الگوریتم انتشار معکوس
• 8. بهینه‌سازی و الگوریتم گرادیان کاهشی
• 9. ساخت اولین شبکه عصبی با استفاده از ماژول nn در پای‌تورچ
• 10. بررسی توابع زیان و معیارهای ارزیابی مدل
• 11. مفاهیم بیش‌برازش و کم‌برازش در یادگیری ماشین
• 12. تکنیک‌های تنظیم‌گری و جلوگیری از بیش‌برازش
• 13. آماده‌سازی داده‌ها و کار با دیتاست‌ها در پای‌تورچ
• 14. بهره‌گیری از DataLoader برای مدیریت داده‌های حجیم
• 15. معماری شبکه‌های عصبی چندلایه پرسپترون
• 16. پیاده‌سازی شبکه‌های عصبی عمیق برای مسائل رگرسیون
• 17. پیاده‌سازی شبکه‌های عصبی عمیق برای مسائل طبقه‌بندی
• 18. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی
• 19. لایه‌های کانولوشن و استخراج ویژگی در تصاویر
• 20. لایه‌های پولینگ و کاهش ابعاد در شبکه‌های عصبی
• 21. معماری‌های استاندارد شبکه‌های کانولوشنی برای بینایی ماشین
• 22. انتقال یادگیری و استفاده از مدل‌های پیش‌آموزش‌دیده
• 23. آموزش شبکه‌های عصبی بازگشتی برای داده‌های ترتیبی
• 24. مفهوم حافظه طولانی کوتاه مدت و کاربردهای آن
• 25. مکانیسم توجه در شبکه‌های عصبی
• 26. معماری ترنسفورمر و تحول در پردازش متن
• 27. کاربرد یادگیری عمیق در تحلیل داده‌های متنی
• 28. مقدمه‌ای بر شبکه‌های مولد و مدل‌های GAN
• 29. آموزش مدل‌های خودرمزگذار برای کاهش ابعاد
• 30. کاربرد شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 31. بهینه‌سازی مدل‌های یادگیری عمیق برای محیط‌های تولیدی
• 32. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 33. استفاده از شتاب‌دهنده‌های سخت‌افزاری و GPU در پای‌تورچ
• 34. مدیریت و مانیتورینگ فرآیند آموزش با ابزارهای جانبی
• 35. اخلاق در هوش مصنوعی و رعایت حریم خصوصی داده‌ها
• 36. بررسی محدودیت‌ها و چالش‌های مدل‌های یادگیری عمیق
• 37. پیاده‌سازی یک پروژه جامع تشخیص تصویر
• 38. پیاده‌سازی یک پروژه جامع تحلیل داده‌های عددی
• 39. بهینه‌سازی شبکه برای استقرار در دستگاه‌های نهایی
• 40. گام‌های بعدی در یادگیری عمیق و مطالعه منابع تخصصی