کتاب صوتی آموزش جامع طراحی و آموزش شبکه‌های عصبی با استفاده از کتابخانه PyTorch

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع طراحی و آموزش شبکه‌های عصبی با استفاده از کتابخانه PyTorch

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق
• 2. معرفی کتابخانه پای‌تورچ و محیط توسعه
• 3. نصب و راه‌اندازی پای‌تورچ در محیط‌های علمی
• 4. ساختار داده‌ها در پای‌تورچ و آشنایی با تنسورها
• 5. عملیات ریاضی و جبر خطی با استفاده از تنسورها
• 6. مدیریت حافظه و پردازش موازی در پای‌تورچ
• 7. مفهوم شبکه‌های عصبی مصنوعی و نرون‌های اولیه
• 8. پیاده‌سازی لایه‌های خطی و توابع فعال‌ساز
• 9. توابع فعال‌ساز غیرخطی در شبکه‌های عصبی
• 10. مفهوم انتشار رو به جلو در مدل‌های عصبی
• 11. الگوریتم پس‌انتشار خطا و محاسبه گرادیان
• 12. بهینه‌سازها و الگوریتم‌های به‌روزرسانی وزن‌ها
• 13. مفهوم نرخ یادگیری و تنظیمات ابرپارامترها
• 14. آماده‌سازی مجموعه‌داده‌ها و کلاس Dataset
• 15. استفاده از DataLoader برای مدیریت دسته‌های داده
• 16. پیش‌پردازش داده‌ها و نرمال‌سازی ورودی‌ها
• 17. معماری شبکه‌های عصبی چندلایه پرسپترون
• 18. آموزش مدل‌های رگرسیون با پای‌تورچ
• 19. آموزش مدل‌های طبقه‌بندی با استفاده از پای‌تورچ
• 20. مفهوم بیش‌برازش و روش‌های منظم‌سازی
• 21. استفاده از Dropout برای جلوگیری از بیش‌برازش
• 22. تکنیک‌های اعتبارسنجی متقاطع در آموزش مدل
• 23. معرفی شبکه‌های عصبی پیچشی برای پردازش تصویر
• 24. لایه‌های کانولوشن و استخراج ویژگی‌های تصویری
• 25. لایه‌های ادغام و کاهش ابعاد در شبکه‌های پیچشی
• 26. پیاده‌سازی معماری‌های استاندارد در بینایی ماشین
• 27. مفهوم یادگیری انتقالی و استفاده از مدل‌های پیش‌آموزش‌دیده
• 28. تنظیم دقیق مدل‌های آماده برای مسائل خاص
• 29. معرفی شبکه‌های عصبی بازگشتی و داده‌های توالی
• 30. ساختار سلول‌های حافظه در شبکه‌های عصبی
• 31. کاربرد شبکه‌های عصبی در پردازش متن
• 32. مفهوم مکانیسم توجه و مدل‌های ترنسفورمر
• 33. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 34. ارزیابی عملکرد مدل با معیارهای دقت و صحت
• 35. تجسم نمودارهای آموزش و ردیابی خطاها
• 36. استفاده از TensorBoard برای تحلیل فرآیند آموزش
• 37. روش‌های استنتاج و به‌کارگیری مدل در محیط عملیاتی
• 38. بهینه‌سازی مدل برای استقرار در سامانه‌های بومی
• 39. آشنایی با اصول اخلاقی در توسعه هوش مصنوعی
• 40. بررسی محدودیت‌ها و چالش‌های مدل‌های عصبی
• 41. پروژه عملی: طراحی شبکه عصبی برای تشخیص الگو
• 42. پروژه عملی: پیاده‌سازی مدل پیش‌بینی سری‌های زمانی
• 43. پروژه عملی: طبقه‌بندی تصاویر با استفاده از معماری‌های پیشرفته
• 44. نکات تکمیلی برای بهینه‌سازی کدهای پای‌تورچ
• 45. آشنایی با مستندات رسمی و منابع علمی پای‌تورچ