دوره آموزشی

دوبله زبان فارسی

بررسی عمیق اقیانوس یادگیری عمیق با Pytorch و تنسورفلو

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

تئوری، ریاضیات و پیاده‌سازی تمامی مدل‌های یادگیری عمیق
پیش‌نیازهای یادگیری عمیق مانند پیش‌پردازش داده‌، تحلیل رگرسیون و رگرسیون لجستیک
ساخت شبکه‌های عصبی مصنوعی و استفاده از آنها برای مسائل رگرسیون و طبقه‌بندی
استفاده از GPU در مدل‌های یادگیری عمیق
ایجاد توابع ضرر سفارشی و لایه‌های سفارشی برای مدل‌های یادگیری عمیق
شبکه عصبی کانولوشن (CNN)
شبکه عصبی کانولوشن یک‌بعدی
تنظیم معیار توقف زودهنگام در مدل‌های یادگیری عمیق
یادگیری انتقالی
شبکه‌های عصبی بازگشتی (RNN)
پیش‌بینی و طبقه‌بندی سری‌های زمانی
خودرمزگذارها و خودرمزگذار متغیر (VAE)
خودرمزگذار CNN و خودرمزگذار LSTM
شبکه‌های متخاصم مولد (GANs)
LSTM و LSTM دوطرفه
ترنسفرمر
ترنسفرمر بینایی
ترنسفرمر سری‌ زمانی
انتقال سبک با شبکه‌های عصبی
پیاده‌سازی مدل‌های یادگیری عمیق در Pytorch و تنسورفلو

پیش‌نیازهای دوره

کمی دانش برنامه‌نویسی مطلوب است، اما الزامی نیست.
حساب جیمیل (برای استفاده از Google Colab)
دانش اولیه ریاضیات

توضیحات دوره

محتویات دوره

یادگیری عمیق انقلابی در هوش مصنوعی و علم داده ایجاد کرده است. یادگیری عمیق به کامپیوترها می‌آموزد داده‌ را به‌ شکلی پردازش کنند که از مغز انسان الهام گرفته شده است.

این دوره جامع و کامل یادگیری عمیق است. در این دوره تئوری و شهود پشت مدل‌های یادگیری عمیق بررسی شده و سپس تمام مدل‌ها به صورت پیاده‌سازی شده در Pytorch و تنسورفلو آموزش داده می‌شوند.

توضیحات عملی و کاربردی مدل‌های یادگیری عمیق همراه با پیاده‌سازی در Pytorch و تنسورفلو ارائه شده است.

نیازی به پیش‌نیاز نیست. همه مطالب از ابتدا آموزش داده می‌شود و دارای ساختار شغل محور است.

بخش‌های دوره

آشنایی با دوره
آشنایی با Google Colab
دوره فشرده پایتون
پیش‌پردازش داده‌
تحلیل رگرسیون
رگرسیون لجستیک
آشنایی با شبکه‌های عصبی و یادگیری عمیق
توابع فعال‌سازی
توابع ضرر
پس‌ انتشار
شبکه‌های عصبی برای تحلیل رگرسیون
شبکه‌های عصبی برای طبقه‌بندی
منظم‌سازی Dropout و نرمال‌سازی دسته‌ای
Optimizers
افزودن توابع ضرر و لایه‌های سفارشی به شبکه‌های عصبی
شبکه عصبی کانولوشن (CNN)
شبکه عصبی کانولوشن تک بعدی
تنظیم معیار توقف زودهنگام در CNN
شبکه عصبی بازگشتی (RNN)
شبکه حافظه بلند کوتاه‌ مدت (LSTM)
LSTM دوطرفه
شبکه‌های متخاصم مولد (GAN)
DCGANs
خودرمزگذارها
خودرمزگذارهای LSTM
خودرمزگذارهای متغیر
انتقال سبک با شبکه‌های عصبی
ترنسفرمرها
ترنسفرمر بینایی
ترنسفرمر سری‌ زمانی
خوشه‌بندی K-means
تحلیل مولفه اصلی (PCA)
مدل‌های یادگیری عمیق با پیاده‌سازی در Pytorch و تنسورفلو

این دوره برای چه کسانی مناسب است؟

مبتدیانی که می‌خواهند یادگیری عمیق را از ابتدا بیاموزند.
دانشجویانی که در دوره‌های یادگیری عمیق در دانشگاه‌ها و کالج‌ها ثبت‌نام کرده‌اند.
پژوهشگران در حوزه یادگیری عمیق و Generative AI
دانشجویان و پژوهشگرانی که می‌خواهند مهارت‌های برنامه‌نویسی پایتون را توسعه دهند و مدل‌های یادگیری عمیق را در Pytorch و تنسورفلو پیاده‌ کنند.
افرادی که می‌دانند چگونه یادگیری عمیق را در Matlab پیاده‌ کنند اما می‌خواهند به Pytorch و تنسورفلو سوئیچ کنند.

بررسی عمیق اقیانوس یادگیری عمیق با Pytorch و تنسورفلو

فصل 1: مقدمه دوره و مطالب دوره

مقدمه دوره 10:42
چگونه در این دوره موفق شویم؟ 01:14

فصل 2: آشنایی با Google Colab

مقدمه بخش 02:23
نصب درایو و خواندن داده 13:51
خواندن و نمایش تصاویر 08:01
خواندن مجموعه داده‌های بیشتر 04:43
آپلود مطالب دوره در گوگل درایو و بررسی ساختار دوره 06:13

فصل 3: دوره فشرده پایتون

مقدمه بخش 02:50
حساب با پایتون 10:09
عملیات‌های مقایسه و منطقی 05:52
دستورات شرطی 08:14
آرایه‌ها با Numpy - بخش 1 11:31
آرایه‌ها با Numpy - بخش 2 15:02
آرایه‌ها با Numpy - بخش 3 10:52
ترسیم نمودار و مصورسازی - بخش 1 17:51
ترسیم نمودار و مصورسازی - بخش 2 15:03
ترسیم نمودار و مصورسازی - بخش 3 13:34
ترسیم نمودار و مصورسازی - بخش 4 07:35
لیست‌ها در پایتون 20:27
حلقه For - بخش 1 21:03
حلقه For - بخش 2 20:36
حلقه while 12:16
رشته‌ها در پایتون 12:39
فرمت‌بندی چاپ با رشته‌ها 03:36
دیکشنری‌ها - بخش 1 07:11
دیکشنری‌ها - بخش 2 08:04
Seaborn - بخش 1 08:21
Seaborn - بخش 2 06:50
Seaborn - بخش 3 07:16
Pandas - بخش 1 06:24
Pandas - بخش 2 05:20
Pandas - بخش 3 08:54
Pandas - بخش 4 05:54
توابع در پایتون - بخش 1 08:15
توابع در پایتون - بخش 2 07:59
کلاس‌ها در پایتون 15:50
تاپل ها در پایتون 06:25
تابع لامبدا 08:48
تابع map 07:47
تابع reduce 05:13
تابع فیلتر 04:47
تابع Zip 08:31
تابع join 04:13

فصل 4: بخش‌های پیش‌نیاز

بخش پیش‌نیازها 01:51

فصل 5: پیش‌نیاز - پیش‌پردازش داده

مقدمه بخش 03:09
نیاز به پیش‌پردازش داده‌ 04:02
نرمال‌سازی داده و مقیاس‌بندی MinMax 06:27
پروژه 1 - نرمال‌سازی داده و مقیاس‌بندی MinMax - بخش 1 09:16
پروژه 1 - نرمال‌سازی داده و مقیاس‌بندی MinMax - بخش 2 11:25
استانداردسازی داده 04:23
پروژه 2 - استانداردسازی داده‌ 08:21
پروژه 3 - برخورد با مقادیر گمشده 16:37
پروژه 4 - برخورد با ویژگی‌های دسته‌‌بندی شده 14:53
پروژه 5 - مهندسی ویژگی 09:05
پروژه 6 - مهندسی ویژگی با متد window 12:48

فصل 6: پیش‌نیاز - تحلیل رگرسیون

مقدمه بخش 05:03
منشا رگرسیون 13:11
تعریف رگرسیون 03:49
الزامات از رگرسیون 03:23
رگرسیون خطی ساده 06:38
رگرسیون خطی چندگانه 04:32
مقادیر هدف و پیش‌بینی شده 03:50
تابع ضرر 04:08
روش حداقل مربعات 14:32
مثال عددی روش حداقل مربعات 05:07
متریک‌های ارزیابی برای رگرسیون 08:07
پروژه 1 - رگرسیون ساده - بخش 1 09:41
پروژه 1 - رگرسیون ساده - بخش 2 08:46
پروژه 1 - رگرسیون ساده - بخش 3 18:26
پروژه 2 - رگرسیون چندگانه - بخش 1 10:49
پروژه 2 - رگرسیون چندگانه - بخش 2 10:37
پروژه 2 - رگرسیون چندگانه - بخش 3 15:46
پروژه 3 - رگرسیون چندگانه 15:04
رگرسیون با گرادیان کاهشی 09:58
پروژه 4 - گرادیان کاهشی روی رگرسیون خطی ساده 19:31
پروژه 5 - گرادیان کاهشی در رگرسیون خطی چندگانه 15:31
رگرسیون چندجمله‌ای 06:30
پروژه 6 - رگرسیون چندجمله‌ای 12:10
اعتبارسنجی متقابل 03:32
پروژه 7 - اعتبارسنجی متقابل 13:57
مبادله بایاس و واریانس (بیش‌برازش و کم‌برازش) 12:04
مفهوم منظم‌سازی 04:31
رگرسیون ریج یا منظم‌سازی L2 09:55
رگرسیون لاسو یا منظم‌سازی L1 08:02
مقایسه منظم‌سازی ریج و لاسو 03:06
منظم‌سازی Elastic Net 03:16
پروژه 8 - منظم‌سازی 21:18
جستجوی گرید اعتبارسنجی متقابل 04:02
پروژه 9 - جستجوی گرید CV 20:31

فصل 7: پیش‌نیاز - رگرسیون لجستیک

مقدمه بخش 02:21
مفهوم اولیه 07:34
محدودیت‌های مدل‌های رگرسیون 09:26
تبدیل رگرسیون خطی به رگرسیون لجستیک 08:05
پروژه 1 - دریافت احتمالات کلاس - بخش 1 08:23
پروژه 1 - بخش 2 11:31
تابع ضرر برای رگرسیون لجستیک 05:33
ارزیابی مدل - ماتریس درهم‌ریختگی 10:14
دقت، صحت، بازیابی و امتیاز F1 14:02
منحنی ROC و مساحت زیر منحنی ROC 03:42
پروژه 2 - ارزیابی مدل رگرسیون لجستیک 21:27
پروژه 3 - مدل رگرسیون لجستیک با اعتبارسنجی متقابل 17:01
پروژه 4 - طبقه‌بندی چندکلاسه با رگرسیون لجستیک 21:46
پروژه 5 - رگرسیون لجستیک روی داده‌ چالش‌برانگیز - بخش 1 07:14
پروژه 5 - رگرسیون لجستیک روی داده‌ چالش‌برانگیز - بخش 2 05:56
پروژه 5 - رگرسیون لجستیک روی داده‌ چالش‌برانگیز - بخش 3 07:45
جستجوی گرید CV 13:14

فصل 8: آشنایی با شبکه‌های عصبی و یادگیری عمیق

مقدمه بخش 01:57
پرسپترون 16:03
ویژگی‌ها، وزن‌ها و تابع فعال‌سازی 07:01
یادگیری شبکه عصبی 09:34
ظهور یادگیری عمیق 07:40

فصل 9: توابع فعال‌سازی

مقدمه بخش 01:49
طبقه‌بندی با پرسپترون - بخش 1 07:27
طبقه‌بندی با پرسپترون - بخش 2 07:07
چرا به توابع فعال‌سازی نیاز داریم؟ 06:54
افزودن تابع فعال‌سازی به شبکه عصبی 04:58
سیگموئید به عنوان تابع فعال‌سازی 08:01
تابع تانژانت هایپربولیک 05:08
توابع ReLU و Leaky ReLU 06:19

فصل 10: تابع ضرر

مقدمه بخش 02:11
تابع ضرر MSE 04:14
تابع ضرر آنتروپی متقابل 09:41
تابع Softmax 08:34

فصل 11: پس‌ انتشار

مقدمه بخش 02:12
انتشار رو به جلو 08:41
پس‌ انتشار - بخش 1 18:26
پس‌ انتشار - بخش 2 09:47

فصل 12: Optimizers

مقدمه بخش 01:58
گرادیان کاهشی 06:40
گرادیان کاهشی تصادفی (SGD) 07:20
میانگین وزنی نمایی 04:54
مفهوم مومنتوم 05:45
RMS Prop 02:56
ADAM Optimizer 03:56

فصل 13: شبکه‌های عصبی برای رگرسیون با Pytorch

مقدمه بخش 01:43
پروژه 1 - شبکه عصبی برای رگرسیون ساده - بخش 1 20:55
پروژه 1 - شبکه عصبی برای رگرسیون ساده - بخش 2 18:54
پروژه 2 - شبکه عصبی برای رگرسیون چندگانه 14:04
ایجاد شبکه عصبی با استفاده از کلاس 07:35

فصل 14: شبکه‌های عصبی برای رگرسیون با تنسورفلو

مقدمه بخش 01:00
پروژه 1 - شبکه عصبی برای رگرسیون ساده 13:41
پروژه 2 - شبکه عصبی برای رگرسیون چندگانه 21:34

فصل 15: شبکه عصبی برای طبقه‌بندی با Pytorch

مقدمه بخش 02:59
Epoch ،Batchsize و Iteration 04:15
پروژه 0 - مجموعه داده تانسور و dataloader تانسور 15:40
آماده‌سازی کد برای مجموعه داده Iris 06:12
پروژه 1 - شبکه عصبی برای طبقه‌بندی داده‌ Iris 16:42
آماده‌سازی کد برای مجموعه داده MNIST 05:22
پروژه 2 - شبکه عصبی برای طبقه‌بندی MNIST - بخش 1 17:58
پروژه 1 - شبکه عصبی برای رگرسیون ساده - بخش 2 23:46
ذخیره و بارگذاری مدل آموزش دیده 05:20
آماده‌سازی کد برای تصاویر سفارشی 05:29
پروژه 3 - شبکه عصبی برای طبقه‌بندی تصاویر سفارشی 22:02
آماده‌سازی کد برای مجموعه داده تشخیص رفتار انسان 01:54
پروژه 4 - شبکه عصبی برای تشخیص رفتار انسان 16:51
پروژه 5 - شبکه عصبی روی مجموعه داده مهندسی ویژگی 10:14

فصل 16: شبکه عصبی برای طبقه‌بندی با تنسورفلو

مقدمه بخش 01:35
پروژه 1 - شبکه عصبی برای طبقه‌بندی داده‌ Iris 13:32
پروژه 2 - شبکه عصبی برای طبقه‌بندی داده MNIST 17:40
پروژه 3 - شبکه عصبی برای طبقه‌بندی تصاویر سفارشی 13:09

فصل 17: منظم‌سازی Dropout و نرمال‌سازی دسته‌ای

مقدمه بخش 01:46
منظم‌سازی Dropout 11:35
معرفی مجموعه داده WESAD 03:27
پروژه 1 - منظم‌سازی Dropout 27:12
پروژه 2 - منظم‌سازی Dropout 14:10
نرمال‌سازی دسته‌ای 05:54
پروژه 3 - نرمال‌سازی دسته‌ای 23:54
پروژه 4 - نرمال‌سازی دسته‌ای 12:30

فصل 18: ایجاد تابع ضرر سفارشی

مقدمه بخش 01:52
ایجاد تابع ضرر سفارشی با Pytorch 07:34
ایجاد تابع ضرر سفارشی با تنسورفلو 05:27

فصل 19: زمانبندی نرخ یادگیری

مقدمه بخش 02:53
زمانبندی نرخ یادگیری با Pytorch 12:08
زمانبندی نرخ یادگیری با تنسورفلو 07:52

فصل 20: ایجاد لایه سفارشی

مقدمه بخش 01:15
ایجاد لایه سفارشی با Pytorch 06:58
ایجاد لایه سفارشی با تنسورفلو 05:35

فصل 21: شبکه عصبی کانولوشن با Pytorch

مقدمه بخش 02:20
معماری CNN و عملیات‌های اصلی 03:22
کانولوشن دو بعدی 09:51
شکل‌های نقشه‌های ویژگی پس از کانولوشن 12:04
pooling میانگین و حداکثری 06:24
Pooling تا طبقه‌بندی 03:54
پروژه 0 - شکل‌های CNN 15:08
پروژه 1 - CNN برای طبقه‌بندی MNIST - بخش 1 24:12
پروژه 1 - CNN برای طبقه‌بندی MNIST - بخش 2 11:04
لایه خطی Lazy کارآمد 04:56
پروژه 2 - CNN برای طبقه‌بندی تصاویر سفارشی 13:33
یادگیری انتقالی 05:57
پروژه 3 - یادگیری انتقالی با ResNet-18 14:30
پروژه 3 - یادگیری انتقالی با VGG-16 06:59

فصل 22: شبکه عصبی کانولوشن با تنسورفلو

مقدمه بخش 01:32
پروژه 1 - شکل‌های CNN 08:41
پروژه 2 - CNN برای طبقه‌بندی تصاویر سفارشی 10:23
پروژه 3 - یادگیری انتقالی 11:28

فصل 23: تنظیم معیار توقف زودهنگام

مقدمه بخش 01:23
معیار توقف زودهنگام - بخش 1 08:37
معیار توقف زودهنگام - بخش 2 02:01
پروژه 1 - معیار توقف زودهنگام با Pytorch 12:14
پروژه 2 - معیار توقف زودهنگام با تنسورفلو 04:59

فصل 24: شبکه‌های عصبی بازگشتی (RNN) با Pytorch

مقدمه بخش 02:12
چرا به RNN نیاز داریم؟ 03:00
داده دنباله‌ای 05:15
ANN به RNN 07:40
پس‌ انتشار در طول زمان 13:29
شبکه حافظه بلند-کوتاه‌مدت (LSTM) 04:25
دروازه‌های LSTM 10:09
پروژه 1 - شکل‌های LSTM 24:58
پروژه 2 - مبانی LSTM 13:40
مفهوم اندازه بچ، طول دنباله و ابعاد ویژگی 11:30
پروژه 3 - درون‌یابی و برون‌یابی با LSTM 22:14
پروژه 4 - طبقه‌بندی سری‌های زمانی با LSTM 16:38
پروژه 5 - طبقه‌بندی سری‌های زمانی چندمتغیره با LSTM - بخش 1 15:39
پروژه 5 - طبقه‌بندی سری‌های زمانی چندمتغیره با LSTM - بخش 2 03:23

فصل 25: LSTM با تنسورفلو

مقدمه بخش 02:22
پروژه 1 - شکل‌های LSTM 21:54
پروژه 2 - پیش‌بینی سری زمانی با LSTM 13:02
طبقه‌بندی MNIST با LSTM 02:52
پروژه 3 - طبقه‌بندی MNIST با LSTM - بخش 1 05:39
پروژه 3 - طبقه‌بندی MNIST با LSTM - بخش 2 02:51
طبقه‌بندی متن 07:07
پروژه 4 - پیش‌پردازش متن 07:03
پروژه 5 - طبقه‌بندی متن با LSTM 16:41

فصل 26: LSTM دوطرفه با تنسورفلو

مقدمه بخش 02:05
نحوه عملکرد LSTM دوطرفه 04:26
پروژه 1 - شکل‌های LSTM دوطرفه 08:56
پروژه 2 - LSTM دوطرفه برای طبقه‌بندی داده MNIST 07:06
LSTM دوطرفه دوگانه برای طبقه‌بندی تصویر 03:09
پروژه 3 - LSTM دوطرفه دوگانه برای طبقه‌بندی MNIST 11:33

فصل 27: LSTM دوطرفه با Pytorch

مقدمه بخش 01:36
پروژه 1 - شکل‌های LSTM دوطرفه 07:23
پروژه 2 - LSTM دوطرفه برای طبقه‌بندی سری زمانی 18:06

فصل 28: شبکه عصبی کانولوشن تک‌ بعدی (1D) با Pytorch

مقدمه بخش 03:33
پروژه 1 - شکل‌های 1DCNN 07:58
پروژه 1 - شبکه عصبی کانولوشن تک‌ بعدی برای طبقه‌بندی سری زمانی تک‌ متغیره 11:53
پروژه 2 - شبکه عصبی کانولوشن تک‌ بعدی برای طبقه‌بندی سری‌های زمانی چندمتغیره 12:22