کتاب صوتی آموزش Python و PyTorch برای یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش Python و PyTorch برای یادگیری عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: زبان‌های برنامه‌نویسی**

📋 سرفصل‌های دوره

• 1. متغیرها و انواع داده در پایتون
• 2. ساختارهای کنترلی شرطی و حلقه‌ها
• 3. توابع و ماژول‌ها در پایتون
• 4. کار با لیست‌ها و تاپل‌ها
• 5. دیکشنری‌ها و مجموعه‌ها
• 6. مدیریت خطا و استثناها
• 7. شی‌گرایی در پایتون
• 8. کار با فایل‌ها و ورودی/خروجی
• 9. کتابخانه NumPy و عملیات ماتریسی
• 10. مقدمه‌ای بر PyTorch و تنسورها
• 11. عملیات ریاضی با تنسورها
• 12. شاخص‌گذاری و برش تنسورها
• 13. اتوماتیک دیفرانسیل و گرادیان
• 14. ساختار یک شبکه عصبی
• 15. لایه‌های خطی و فعال‌سازی
• 16. تابع هزینه و بهینه‌سازی
• 17. پیاده‌سازی رگرسیون خطی با PyTorch
• 18. رگرسیون لجستیک و طبقه‌بندی
• 19. شبکه‌های عصبی چندلایه
• 20. روش پس‌انتشار خطا
• 21. بهینه‌سازهای مختلف (SGD، Adam)
• 22. تنظیم نرخ یادگیری
• 23. جلوگیری از بیش‌برازش (Dropout)
• 24. عادی‌سازی دسته‌ای (Batch Normalization)
• 25. مدل‌سازی توالی با RNN
• 26. شبکه‌های حافظه بلندمدت (LSTM)
• 27. شبکه‌های کانولوشنی (CNN)
• 28. لایه‌های کانولوشن و تجمیع
• 29. معماری AlexNet و VGG
• 30. معماری ResNet و شبکه‌های باقی‌مانده
• 31. انتقال یادگیری با مدل‌های پیش‌آموزش‌دیده
• 32. کار با دیتاست و DataLoader
• 33. پیش‌پردازش تصاویر با torchvision
• 34. طبقه‌بندی تصاویر با CNN
• 35. تشخیص اشیاء با شبکه‌های عمیق
• 36. تولید داده با شبکه‌های مولد (GAN)
• 37. رمزگذار خودکار (Autoencoder)
• 38. شبکه‌های ترنسفورمر
• 39. معماری GPT و پردازش متن
• 40. مدل‌های زبانی بزرگ (BERT)
• 41. تولید متن با شبکه‌های عمیق
• 42. فشرده‌سازی و کوانتایز مدل
• 43. ذخیره و بارگذاری مدل در PyTorch
• 44. ارزیابی عملکرد مدل
• 45. معیارهای دقت و صحت
• 46. اعتبارسنجی متقاطع
• 47. مدیریت حافظه در GPU
• 48. موازی‌سازی و توزیع آموزش
• 49. آموزش با داده‌های نامتوازن
• 50. افزایش داده (Data Augmentation)
• 51. تفسیرپذیری مدل‌های عمیق
• 52. کاهش ابعاد با PCA
• 53. خوشه‌بندی با شبکه‌های عمیق
• 54. یادگیری تقویتی عمیق مقدماتی
• 55. کار با محیط OpenAI Gym
• 56. شبکه‌های Q عمیق (DQN)
• 57. یادگیری چندوظیفه‌ای
• 58. معماری Encoder-Decoder
• 59. توجه در شبکه‌های عصبی
• 60. شبکه‌های بازگشتی دوطرفه
• 61. پردازش سری‌های زمانی با LSTM
• 62. مدل‌سازی ویدئو با CNN سه‌بعدی
• 63. شبکه‌های سیامی
• 64. معرفی ONNX و مدل‌های قابل حمل
• 65. آموزش مدل با نیم‌دقت (Mixed Precision)
• 66. اشکال‌زدایی و پروفایلینگ مدل
• 67. تست واحد و CI/CD برای مدل‌ها
• 68. مستندسازی پروژه یادگیری عمیق