اکسپرس 24
کتاب یادگیری عمیق از صفر تا صد با PyTorch

کتاب یادگیری عمیق از صفر تا صد با PyTorch

تگ‌ها: computer-vision deep-learning gans machine-learning neural-network nlp python-programming pytorch pytorch-tutorial transformer

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق از صفر تا صد با PyTorch

موضوع کلی: برنامه نویسی

موضوع میانی: حوزه‌های تخصصی**

📋 سرفصل‌های دوره

  • 1. مقدمه بر ماتریس و تانسورها در یادگیری عمیق
  • 2. نصب و راه‌اندازی محیط پایتون و PyTorch
  • 3. آشنایی با انواع داده‌های تانسور در PyTorch
  • 4. عملیات ریاضی و جبر خطی برای شبکه‌های عصبی
  • 5. مشتق‌گیری خودکار و مکانیزم گرادیانت در PyTorch
  • 6. ساختار پایه‌ای تانسورها: تبدیلات و ریشه‌بندی
  • 7. مدیریت حافظه و بهینه‌سازی عملیات تانسور
  • 8. مقدمه بر چارچوبهای دیتا و لود کردن داده‌ها
  • 9. پیش‌پردازش داده‌ها و نرمال‌سازی در PyTorch
  • 10. ساخت دیتاست‌های سفارشی و DataLoader
  • 11. معرفی پردازشگرهای گرافیکی و GPU در آموزش مدل‌ها
  • 12. معماری پرکست‌ترون و قدم‌های اول یادگیری
  • 13. توابع هزینه و الگوریتم‌های بهینه‌سازی پایه
  • 14. پیاده‌سازی گرادیانت سقفی از صفر
  • 15. شبکه‌های عصبی پیوسته و لایه‌های مخفی
  • 16. توابع فعال‌سازی رایج و نقش آنها در یادگیری
  • 17. مشکل گرادیانت‌های منقرض‌شده و راه‌حل‌های اولیه
  • 18. مقدمه بر شبکه‌های عصبی کانولوشنی (CNN)
  • 19. لایه‌های کانولوشن و پولینگ در عمل
  • 20. پارامترهای قابل آموزش و مکانیزم بازگشت در CNN
  • 21. شبکه‌های عصبی بازگشتی و وابستگی به زمان
  • 22. ساختارهای LSTM و GRU برای داده‌های سریالی
  • 23. مشکل گرادیانت‌های منفجرشده و کاهش گرادیانت
  • 24. معرفی Embedding و تبدیل کلمات به بردار
  • 25. مدل‌های زبانی اولیه و پیش‌پردازش متن
  • 26. تکنیک‌های بهینه‌سازی پیشرفته (Adam, RMSProp)
  • 27. Regularization و مبارزه با افزارش بیشازحد
  • 28. استانداردسازی دسته‌ای و تأثیر آن بر آموزش
  • 29. یادگیری انتقالی و مدل‌های پیش‌آموزش‌دیده
  • 30. پیاده‌سازی Fine-tuning روی مدل‌های قبلی
  • 31. ساختار اساسی شبکه‌های مولد تخاصمی (GAN)
  • 32. آموزش GAN و مواجهه با مشکل عدم پایداری
  • 33. خودرمزگذارهای خودکدار و کاهش ابعاد داده
  • 34. خودرمزگذارهای واریاسیونی و تولید داده
  • 35. معماری Transformer و مکانیزم توجه
  • 36. Self-Attention و محاسبه درون‌لایه Transformer
  • 37. پیاده‌سازی Masked Self-Attention برای مدل‌های زبانی
  • 38. معرفی مدل‌های زبانی بزرگ و معماری آنها
  • 39. Tokenization و پردازش ورودی در LLMها
  • 40. پیاده‌سازی خروجی‌دهی در مدل‌های زبانی
  • 41. مدل‌های دیتکشن و تشخیص اشیا پیشرفته
  • 42. معرفی YOLO و الگوریتم‌های تشخیص زنده
  • 43. تقسیم‌بندی پیکسلی و Segmentasi در تصاویر
  • 44. الگوریتم‌های تقویتی و محیط‌های تعاملی
  • 45. پیاده‌سازی Q-Learning و سیاست‌های بهینه
  • 46. استراتژی‌های پیدا کردن هایپرپارامترها
  • 47. آموزش توزیع‌شده و موازی‌سازی مدل‌ها
  • 48. پیاده‌سازی Mixed Precision Training
  • 49. استخراج ویژگی‌ها و تفسیرپذیری مدل‌ها
  • 50. مدل‌های مولد مبتنی بر انتشار و ساختار آنها
  • 51. پیاده‌سازی فرآیند پس‌سازی در مدل‌های انتشاری
  • 52. Neural Architecture Search و طراحی خودکار شبکه
  • 53. کاهش داده‌ها و تکنیک‌های پیشرفته
  • 54. بهینه‌سازی مدل با Quantization
  • 55. پیاده‌سازی Pruning و کاهش اندازه مدل
  • 56. استقرار مدل‌ها با TorchScript و ONNX
  • 57. ساخت APIهای تعاملی برای مدل‌های عمیق
  • 58. مانیتورینگ عملکرد مدل در زمان واقعی
  • 59. یادگیری فدرال و داده‌های غیرمتمرکز
  • 60. معرفی Meta-Learning و یادگیری چندنمونه‌ای
  • 61. پیاده‌سازی Prototypical Networks در Meta-Learning
  • 62. معرفی Graph Neural Networks و ساختار آنها
  • 63. پیاده‌سازی Message Passing در گراف‌ها
  • 64. کاربردهای GNN در سیستم‌های توصیه‌گر
  • 65. روند پژوهش‌های پیشروی و آینده یادگیری عمیق

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.