شبیهسازی با استفاده از عملگرهای شبکه عصبی عمیق (DeepONets)
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک تئوری پشت حلکنندههای معادلات مبتنی بر عملگر شبکه عصبی عمیق
- ساخت یک حلکننده مبتنی بر عملگر شبکه عصبی عمیق با استفاده از DeepONet
- ایجاد کد عملگر شبکه عصبی عمیق با استفاده از DeepXDE
- ایجاد کد عملگر شبکه عصبی عمیق با استفاده از Pytorch
پیشنیازهای دوره
- ریاضیات دوره دبیرستان
- دانش اولیه پایتون
توضیحات دوره
این دوره جامع برای مجهز کردن شما به مهارتهای لازم جهت استفاده مؤثر از شبیهسازی با عملگرهای شبکه عصبی عمیق طراحی شده است. ما به مفاهیم اساسی حل معادلات دیفرانسیل با مشتقات جزئی (PDEs) خواهیم پرداخت و نشان خواهیم داد که چگونه یک کد شبیهسازی را با استفاده از شبکه عملگر عمیق (DeepONet) و با استفاده از دادههای تولید شده از حل PDEها به متد تفاضل محدود (FDM) بسازید.
در این دوره، شما مهارتهای زیر را فرا خواهید گرفت:
- درک ریاضیات پشت متد تفاضل محدود
- نوشتن و ساخت الگوریتمها از ابتدا برای حل به متد تفاضل محدود
- درک ریاضیات پشت معادلات دیفرانسیل با مشتقات جزئی (PDEs)
- نوشتن و ساخت الگوریتمهای یادگیری ماشین برای ایجاد کد شبیهسازی با عملگرهای شبکه عصبی عمیق با استفاده از Pytorch
- نوشتن و ساخت الگوریتمهای یادگیری ماشین برای ایجاد کد شبیهسازی با عملگرهای شبکه عصبی عمیق با استفاده از DeepXDE
- مقایسه نتایج متد تفاضل محدود (FDM) با عملگر شبکه عصبی عمیق با استفاده از شبکه عملگر عمیق (DeepONet)
ما موارد زیر را پوشش خواهیم داد:
- مبانی ماتریسها و تانسورها در Pytorch
- حل عددی معادله گرمای یکبعدی با متد تفاضل محدود (FDM)
- استفاده از عملگر شبکه عصبی عمیق برای انتگرالگیری از معادلات دیفرانسیل معمولی (ODE)
- شبیهسازی معادله گرمای یکبعدی با عملگر شبکه عصبی عمیق با استفاده از Pytorch
- شبیهسازی معادله گرمای یکبعدی با عملگر شبکه عصبی عمیق با استفاده از DeepXDE
- شبیهسازی حرکت سیال دوبعدی با عملگر شبکه عصبی عمیق با استفاده از DeepXDE
اگر تجربه قبلی در یادگیری ماشین یا مهندسی محاسباتی ندارید، نگران نباشید. این دوره جامع، درک کاملی از یادگیری ماشین و جنبههای ضروری معادلات دیفرانسیل با مشتقات جزئی (PDEs) و شبیهسازی با عملگرهای شبکه عصبی عمیق از طریق اعمال شبکه عملگر عمیق (DeepONet) را ارائه میدهد.
بیایید از یادگیری PINNها با هم لذت ببریم.
این دوره برای چه کسانی مناسب است؟
- مهندسان و برنامهنویسانی که میخواهند شبیهسازی با استفاده از عملگرهای شبکه عصبی عمیق را یاد بگیرند.
شبیهسازی با استفاده از عملگرهای شبکه عصبی عمیق (DeepONets)
-
مقدمه 05:02
-
نصب Anaconda 05:46
-
ساختار دوره 07:23
-
عملگر شبکه عصبی عمیق 22:14
-
نظریه یادگیری عمیق 11:32
-
نصب Pytorch / CUDA 04:29
-
مبانی تانسورها در Pytorch 18:53
-
تبدیل تانسورها به آرایههای NumPy 08:20
-
تئوری پسانتشار 16:59
-
پسانتشار با استفاده از Pytorch 05:54
-
تئوری حل عددی 12:54
-
پیشپردازش 16:42
-
حل معادله 10:34
-
پسپردازش 04:56
-
ایجاد داده 26:32
-
پیشپردازش داده - بخش 1 22:50
-
پیشپردازش داده - بخش 2 15:05
-
ساخت مدل 32:36
-
فرآیند آموزش 09:35
-
ارزیابی نتایج 20:51
-
ایجاد داده 32:23
-
پیشپردازش داده - بخش 1 17:31
-
پیشپردازش داده - بخش 2 10:53
-
ساخت مدل 16:49
-
فرآیند آموزش 12:21
-
ارزیابی نتایج 21:10
-
ایجاد داده 05:13
-
پیشپردازش داده 13:09
-
ساخت مدل 04:34
-
فرآیند آموزش 02:20
-
ارزیابی نتایج 17:14
-
ایجاد داده 20:37
-
پیشپردازش داده 31:38
-
ساخت مدل 03:42
-
فرآیند آموزش 02:08
-
ارزیابی نتایج 18:03
مشخصات آموزش
شبیهسازی با استفاده از عملگرهای شبکه عصبی عمیق (DeepONets)
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:همه سطوح
- تعداد درس:36
- مدت زمان :08:28:52
- حجم :10.79GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 01:39:55
- تعداد درس: 6
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:47:39
- تعداد درس: 30
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:48:11
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 54:55
- تعداد درس: 18
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:33:59
- تعداد درس: 86
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 23:25:23
- تعداد درس: 78
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 01:08:59
- تعداد درس: 8
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 12:44:39
- تعداد درس: 121
-
سطح دوره:
-
زبان: دوبله فارسی