کتاب صوتی Tiny-TSM: آموزش مدل پایه‌ای پیشرفته سری‌های زمانی با یک GPU در کمتر از یک هفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Tiny-TSM: آموزش مدل پایه‌ای پیشرفته سری‌های زمانی با یک GPU در کمتر از یک هفته

موضوع کلی: مدل‌های پایه‌ای (Foundation Models) برای سری‌های زمانی

موضوع میانی: آموزش کارآمد مدل‌های پایه‌ای سبک‌وزن برای پیش‌بینی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. مبانی سری‌های زمانی
• 2. تعریف سری زمانی
• 3. انواع سری‌های زمانی
• 4. ویژگی‌های سری‌های زمانی
• 5. داده‌های سری زمانی چیستند
• 6. کاربردهای سری‌های زمانی
• 7. چالش‌های سری‌های زمانی
• 8. مفاهیم پیش‌بینی سری زمانی
• 9. مدل‌های کلاسیک سری زمانی
• 10. ARIMA و انواع آن
• 11. Smoothing و انواع آن
• 12. نکات کلیدی در تحلیل سری زمانی
• 13. مقدمه‌ای بر یادگیری عمیق
• 14. شبکه‌های عصبی مصنوعی
• 15. شبکه‌های کانولوشنال (CNN)
• 16. شبکه‌های بازگشتی (RNN)
• 17. شبکه‌های حافظه کوتاه‌مدت بلند (LSTM)
• 18. شبکه‌های واحد بازگشتی (GRU)
• 19. کاربرد یادگیری عمیق در سری‌های زمانی
• 20. چرا مدل‌های پایه‌ای؟
• 21. تعریف مدل پایه‌ای (Foundation Model)
• 22. مزایای مدل‌های پایه‌ای
• 23. چالش‌های مدل‌های پایه‌ای
• 24. مقدمه‌ای بر مدل‌های پایه‌ای سری زمانی (TSFM)
• 25. نیاز به مدل‌های پایه‌ای برای سری‌های زمانی
• 26. انتقال یادگیری (Transfer Learning) در سری‌های زمانی
• 27. تنظیم دقیق (Fine-tuning) TSFM
• 28. دوره آموزشی Tiny-TSM
• 29. اهداف دوره Tiny-TSM
• 30. پیش‌نیازهای دوره Tiny-TSM
• 31. معرفی مقاله Tiny-TSM
• 32. اهمیت Tiny-TSM
• 33. مبانی معماری Tiny-TSM
• 34. لایه‌های اصلی Tiny-TSM
• 35. استفاده از کانولوشن در TSFM
• 36. مدل‌های مبتنی بر ترنسفورمر برای سری‌های زمانی
• 37. Transformer Encoder
• 38. Transformer Decoder
• 39. مکانیسم توجه (Attention Mechanism)
• 40. انواع Attention
• 41. Self-Attention
• 42. Cross-Attention
• 43. ملاحظات در معماری Tiny-TSM
• 44. سبک‌سازی مدل (Model Lightweighting)
• 45. تکنیک‌های کاهش اندازه مدل
• 46. کوانتیزاسیون (Quantization)
• 47. هرس (Pruning)
• 48. تقطیر دانش (Knowledge Distillation)
• 49. معماری مدل پایه‌ای سبک‌وزن
• 50. طراحی معماری Tiny-TSM
• 51. توابع فعال‌سازی (Activation Functions)
• 52. استفاده بهینه از لایه‌ها
• 53. آموزش مدل پایه‌ای
• 54. تابع زیان (Loss Function) برای سری‌های زمانی
• 55. بهینه‌سازها (Optimizers)
• 56. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 57. آموزش خودنظارتی (Self-Supervised Learning)
• 58. رویکردهای SSL برای سری‌های زمانی
• 59. مثال‌هایی از SSL در TSFM
• 60. پیش‌بینی آینده (Forecasting) به عنوان وظیفه SSL
• 61. سیاه کردن (Masking) و پیش‌بینی
• 62. بهینه‌سازی فرایند آموزش
• 63. استفاده از GPU برای آموزش کارآمد
• 64. نکات فنی استفاده از GPU
• 65. مدیریت حافظه GPU
• 66. آموزش توزیع‌شده (Distributed Training)
• 67. نکاتی برای آموزش با یک GPU
• 68. افزایش سرعت آموزش
• 69. کاهش زمان آموزش
• 70. تنظیم پارامترهای آموزش (Hyperparameter Tuning)
• 71. انتخاب بهترین هایپرپارامترها
• 72. جستجوی شبکه‌ای (Grid Search)
• 73. جستجوی تصادفی (Random Search)
• 74. تنظیم پارامترهای کلیدی Tiny-TSM
• 75. تنظیم اندازه دسته (Batch Size)
• 76. تنظیم نرخ یادگیری
• 77. تعداد دوره‌های آموزش (Epochs)
• 78. مجموعه داده‌ها برای آموزش Tiny-TSM
• 79. انواع مجموعه داده‌های سری زمانی
• 80. آماده‌سازی داده‌ها
• 81. پیش‌پردازش (Preprocessing) داده‌ها
• 82. نرمال‌سازی (Normalization)
• 83. مقیاس‌بندی (Scaling)
• 84. پنجره‌های لغزان (Sliding Windows)
• 85. معیارهای ارزیابی مدل‌های سری زمانی
• 86. خطای میانگین مطلق (MAE)
• 87. خطای میانگین مربعات (MSE)
• 88. ریشه خطای میانگین مربعات (RMSE)
• 89. نکات تکمیلی برای ارزیابی
• 90. ارزیابی در مقابل مدل‌های SOTA
• 91. پیاده‌سازی Tiny-TSM
• 92. ابزارهای مورد نیاز
• 93. PyTorch و TensorFlow
• 94. کتابخانه‌های مرتبط
• 95. کدنویسی بخش‌های اصلی Tiny-TSM
• 96. آموزش مدل با کد
• 97. استفاده از کد مقاله Tiny-TSM
• 98. تنظیم و اجرای کد
• 99. عیب‌یابی (Debugging) در آموزش
• 100. تنظیم دقیق (Fine-tuning) Tiny-TSM