فلش‌کارت‌های آموزشی یادگیری عمیق با پایتورچ: از مبانی تا ساخت مدل‌های واقعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق با پایتورچ: از مبانی تا ساخت مدل‌های واقعی

موضوع کلی: هوش مصنوعی

موضوع میانی: پیاده‌سازی مدل‌های یادگیری عمیق

📋 سرفصل‌های دوره

• 1. یادگیری عمیق: مقدمه‌ای بر دنیای هوش مصنوعی
• 2. پایتورچ: معرفی و نصب
• 3. تنسورها در پایتورچ: ساخت، عملیات و انواع داده
• 4. محاسبه گرادیان و مشتقات خودکار (Autograd) در پایتورچ
• 5. رگرسیون خطی با پایتورچ: پیاده‌سازی از ابتدا
• 6. رگرسیون لجستیک با پایتورچ: طبقه‌بندی با استفاده از سیگموید
• 7. شبکه‌های عصبی: ساختار، فعال‌سازی‌ها و توابع هزینه
• 8. پس انتشار (Backpropagation): الگوریتم آموزش شبکه‌های عصبی
• 9. بهینه‌سازها (Optimizers): گرادیان کاهشی و انواع آن
• 10. مجموعه‌داده‌ها و DataLoaderها در پایتورچ
• 11. آماده‌سازی داده‌ها: پیش‌پردازش و نرمال‌سازی
• 12. ارزیابی مدل: معیارها و تکنیک‌ها
• 13. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting): تشخیص و راهکارها
• 14. Regularization: L1, L2 و Dropout
• 15. مقایسه مدل‌ها: انتخاب بهترین معماری
• 16. شبکه‌های عصبی چندلایه (MLP): طراحی و پیاده‌سازی
• 17. فعال‌سازی‌های پیشرفته: ReLU, Leaky ReLU, ELU
• 18. مقداردهی اولیه وزن‌ها: روش‌های موثر
• 19. Batch Normalization: افزایش سرعت و پایداری آموزش
• 20. TensorBoard: مانیتورینگ آموزش مدل
• 21. حفظ و بارگیری مدل‌ها در پایتورچ
• 22. انتقال یادگیری (Transfer Learning): استفاده از مدل‌های پیش‌آموزش‌داده‌شده
• 23. مدل‌های پیش‌آموزش‌داده‌شده در پایتورچ ویژن
• 24. پردازش تصویر: فیلترها، کانولوشن‌ها و Pooling
• 25. شبکه‌های کانولوشنی (CNNs): ساختار و عملکرد
• 26. معماری‌های معروف CNN: LeNet, AlexNet, VGGNet
• 27. معماری‌های مدرن CNN: ResNet, Inception, EfficientNet
• 28. داده‌افزایی (Data Augmentation): افزایش حجم داده‌ها
• 29. تشخیص اشیاء (Object Detection): مقدمه و چالش‌ها
• 30. الگوریتم‌های تشخیص اشیاء: R-CNN, Fast R-CNN, Faster R-CNN
• 31. YOLO: You Only Look Once
• 32. SSD: Single Shot MultiBox Detector
• 33. Segmentation تصویر: معنایی و نمونه‌ای
• 34. شبکه‌های Fully Convolutional Networks (FCN)
• 35. U-Net: معماری برای Segmentation
• 36. پردازش زبان طبیعی (NLP): مقدمه و توکن‌سازی
• 37. Embedding کلمات: Word2Vec, GloVe
• 38. شبکه‌های بازگشتی (RNNs): ساختار و عملکرد
• 39. LSTM: Long Short-Term Memory
• 40. GRU: Gated Recurrent Unit
• 41. توالی به توالی (Sequence-to-Sequence): معماری و کاربردها
• 42. Attention Mechanism: تمرکز بر مهم‌ترین بخش‌های ورودی
• 43. Transformer: معماری نوین در NLP
• 44. BERT: Bidirectional Encoder Representations from Transformers
• 45. GPT: Generative Pre-trained Transformer
• 46. مدل‌های زبانی: آموزش و تولید متن
• 47. Classification متن: با استفاده از RNN و Transformer
• 48. ماشین ترجمه (Machine Translation): با استفاده از Seq2Seq و Attention
• 49. تولید متن مشروط (Conditional Text Generation)
• 50. Question Answering: پاسخ به سوالات با استفاده از NLP
• 51. Sentiment Analysis: تحلیل احساسات متن
• 52. Named Entity Recognition (NER): تشخیص موجودیت‌های نام‌دار
• 53. Autoencoders: کاهش ابعاد و بازسازی داده‌ها
• 54. Variational Autoencoders (VAEs): تولید داده‌های جدید
• 55. Generative Adversarial Networks (GANs): مقدمه و ساختار
• 56. DCGAN: Deep Convolutional GAN
• 57. Conditional GAN (cGAN): تولید داده‌های شرطی
• 58. CycleGAN: انتقال سبک تصویر
• 59. StyleGAN: تولید تصاویر با کیفیت بالا
• 60. Reinforcement Learning: مقدمه و مفاهیم پایه
• 61. Q-Learning: الگوریتم یادگیری تقویتی
• 62. Deep Q-Network (DQN): ترکیب یادگیری تقویتی و شبکه‌های عصبی
• 63. Policy Gradient Methods: REINFORCE
• 64. Actor-Critic Methods: A2C, A3C
• 65. TensorFlow vs PyTorch: مقایسه و انتخاب
• 66. پایتورچ Lightning: ساده‌سازی آموزش مدل
• 67. پایتورچ Hub: اشتراک‌گذاری مدل‌ها و داده‌ها
• 68. پایتورچ Mobile: اجرای مدل‌ها روی دستگاه‌های موبایل
• 69. پایتورچ Serve: استقرار مدل‌ها در محیط عملیاتی
• 70. داده‌کاوی (Data Mining): مفاهیم و تکنیک‌ها
• 71. پردازش صوت: ویژگی‌های صوتی و مدل‌سازی
• 72. تشخیص گفتار (Speech Recognition): مقدمه و معماری‌ها
• 73. تبدیل متن به گفتار (Text-to-Speech): تکنیک‌ها و الگوریتم‌ها
• 74. یادگیری عمیق در رباتیک
• 75. یادگیری عمیق در پزشکی: تشخیص بیماری و تصویربرداری
• 76. یادگیری عمیق در خودروهای خودران
• 77. تشخیص ناهنجاری (Anomaly Detection)
• 78. پیش‌بینی سری‌های زمانی (Time Series Forecasting)
• 79. خوشه‌بندی (Clustering): الگوریتم‌های مبتنی بر یادگیری عمیق
• 80. کاهش ابعاد (Dimensionality Reduction): PCA, t-SNE
• 81. یادگیری نیمه نظارتی (Semi-Supervised Learning)
• 82. یادگیری خود نظارتی (Self-Supervised Learning)
• 83. یادگیری متا (Meta-Learning)
• 84. یادگیری انتقال دامنه (Domain Adaptation)
• 85. یادگیری Active (Active Learning)
• 86. محاسبات لبه (Edge Computing): اجرای مدل‌ها در لبه شبکه
• 87. امنیت یادگیری عمیق: حملات و دفاع‌ها
• 88. تفسیرپذیری (Explainability) یادگیری عمیق
• 89. اخلاق در هوش مصنوعی و یادگیری عمیق
• 90. معماری‌های جدید و تحقیقات روز دنیا در یادگیری عمیق
• 91. بهینه‌سازی هایپرپارامترها (Hyperparameter Optimization)
• 92. خودکارسازی یادگیری ماشین (AutoML)
• 93. مقیاس‌پذیری مدل‌های یادگیری عمیق
• 94. یادگیری توزیع‌شده (Distributed Learning)
• 95. محاسبات ابری (Cloud Computing) برای یادگیری عمیق
• 96. ساخت یک پروژه واقعی: طبقه‌بندی تصاویر با CNN
• 97. ساخت یک پروژه واقعی: تولید متن با RNN
• 98. ساخت یک پروژه واقعی: تشخیص اشیاء با YOLO
• 99. ساخت یک پروژه واقعی: segmentation تصویر با U-Net
• 100. راهکارهای افزایش دقت مدل