کتاب صوتی جامع آموزش برنامه‌نویسی هوش مصنوعی با PyTorch: از مبانی تا پیاده‌سازی پروژه‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع آموزش برنامه‌نویسی هوش مصنوعی با PyTorch: از مبانی تا پیاده‌سازی پروژه‌های کاربردی

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری عمیق (Deep Learning) و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و نقش هوش مصنوعی در دنیای امروز
• 2. معرفی محیط برنامه‌نویسی پایتون برای علوم داده
• 3. نصب و راه‌اندازی کتابخانه پای‌تورچ و ابزارهای مورد نیاز
• 4. آشنایی با ساختار داده‌ای تنسور در پای‌تورچ
• 5. عملیات ریاضی و محاسباتی بر روی تنسورها
• 6. تغییر شکل و مدیریت ابعاد تنسورها
• 7. کار با داده‌ها و مفهوم گرادیان در پای‌تورچ
• 8. مبانی شبکه‌های عصبی مصنوعی و پرسپترون ساده
• 9. ساختار کلاس‌های مدل در پای‌تورچ
• 10. مفهوم تابع هزینه و توابع فعال‌ساز
• 11. الگوریتم انتشار معکوس و بهینه‌سازی وزن‌ها
• 12. آموزش گام‌به‌گام یک مدل خطی ساده
• 13. استفاده از مجموعه داده‌های استاندارد برای آموزش مدل
• 14. پیش‌پردازش داده‌ها و نرمال‌سازی ورودی‌ها
• 15. معرفی توابع زیان در مسائل رگرسیون و طبقه‌بندی
• 16. کاربرد بهینه‌سازهای اس‌جی‌دی و آدام در آموزش مدل
• 17. ارزیابی عملکرد مدل با معیارهای دقت و خطا
• 18. پیاده‌سازی شبکه‌های عصبی متراکم برای طبقه‌بندی تصاویر
• 19. مفهوم بیش‌برازش و تکنیک‌های مقابله با آن
• 20. استفاده از لایه‌های دراپ‌اوت برای بهبود تعمیم‌پذیری
• 21. آشنایی با شبکه‌های عصبی کانولوشنی
• 22. ساختار لایه‌های کانولوشن و تجمیع
• 23. پیاده‌سازی معماری‌های کلاسیک در بینایی ماشین
• 24. مدیریت حافظه کارت گرافیک برای افزایش سرعت آموزش
• 25. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 26. استفاده از مدل‌های پیش‌آموزش‌دیده در یادگیری انتقالی
• 27. تنظیم دقیق پارامترهای مدل برای کاربردهای خاص
• 28. کار با داده‌های متنی و آماده‌سازی برای مدل‌های عصبی
• 29. مبانی شبکه‌های بازگشتی برای تحلیل داده‌های سری زمانی
• 30. معرفی واحدهای حافظه بلندمدت و کوتاه‌مدت
• 31. پیاده‌سازی مکانیزم توجه در شبکه‌های عصبی
• 32. آشنایی با معماری ترنسفورمر و کاربردهای آن
• 33. کار با کتابخانه تورچ‌ویژن برای پردازش تصویر
• 34. کار با کتابخانه تورچ‌تکست برای پردازش زبان طبیعی
• 35. تکنیک‌های افزایش داده برای بهبود دقت مدل
• 36. استفاده از لاگ‌نویسی و پایش فرآیند آموزش
• 37. روش‌های استقرار مدل‌های هوش مصنوعی در محیط عملیاتی
• 38. بهینه‌سازی مدل برای اجرا در سخت‌افزارهای محدود
• 39. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه نرم‌افزار
• 40. پروژه نهایی: طراحی و پیاده‌سازی یک سیستم تشخیص هوشمند با پای‌تورچ