دوره آموزشی
دوبله زبان فارسی
تسلط به یادگیری عمیق، Generative AI و PyTorch - از صفر تا ایجنت هوش مصنوعی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- یادگیری برنامهنویسی پایتون و PyTorch از ابتدا با مثالهای عملی و یوزکیسهای واقعی
- تسلط به NumPy ،Pandas و Matplotlib برای مصورسازی و تحلیل داده
- ساخت مدلهای یادگیری ماشین مانند رگرسیون خطی و لجستیک با پایتون و PyTorch
- درک اصول یادگیری عمیق و ایجاد شبکههای عصبی از ابتدا
- یادگیری معماری ترنسفرمر و ساخت گامبهگام آن با استفاده از PyTorch
- ایجاد پروژه ایجنت واقعی RAG با استفاده از دیپسیک و PyTorch
پیشنیازهای دوره
- بدون الزامات
توضیحات دوره
تسلط به پایتون، PyTorch و ترنسفرمرها - از مبانی تا پروژههای پیشرفته هوش مصنوعی
ویژگیهای کلیدی دوره:
تسلط به پایتون و کتابخانههای اصلی
- یادگیری مبانی پایتون (سینتکس، ساختارهای داده و برنامهنویسی شیگرا)
- دستکاری داده با Pandas، پردازش اعداد با NumPy و مصورسازی بینشها با Matplotlib
ساخت اصول یادگیری ماشین
- کدنویسی شبکههای عصبی مصنوعی (ANN)، رگرسیون خطی و لجستیک از ابتدا با پایتون (بدون استفاده از فریمورک)
- پیادهسازی مجدد مدلها با PyTorch تا از عملیاتهای تانسور و autograd بهرهمند شوید.
ورود به دنیای ترنسفرمرها و هوش مصنوعی مدرن
- رمزگشایی پیپر ترنسفرمر (مکانیزم توجه، انکودینگ پوزیشنال و self-attention)
- ساخت یک ترنسفرمر از ابتدا در PyTorch - لایه به لایه
پروژههای آماده برای صنعت
پروژه 1 - ساخت مدل ترنسفرمر End-to-End
آموزش ترنسفرمر روی داده واقعی برای تسکهایی همچون تولید متن یا ترجمه
پروژه 2 - ایجنت RAG (بازیابی نسل افزوده) با دیپسیک
- یکپارچهسازی مدلهای بازیابی و ترنسفورمرها برای ایجاد ایجنت هوش مصنوعی که با استفاده از دانش خارجی به سوالات پاسخ دهد.
- مدیریت پایپلاینهای داده، تیونینگ دقیق و استقرار پروژه
چرا این دوره منحصربهفرد است؟
- از صفر تا پیشرفته - شما با مبانی پایتون شروع کرده و به آخرین دستاوردهای هوش مصنوعی میرسید.
- کدنویسی بدون فریمورک - درک عمیقتری قبل از استفاده از امکانات PyTorch به دست میآورید.
- از پیپر تا عمل - معماری ترنسفرمر را دقیقاً طبق پیپر اصلی پیاده میکنید.
- تقویت پورتفولیو - پروژههای ایجنت RAG و ترنسفرمر خود را به عنوان نمونه به کارفرمایان ارائه میکنید.
مناسب برای:
- مهندسان آینده هوش مصنوعی و یادگیری ماشین، دانشمندان داده یا توسعهدهندگان
- کسانی که میخواهند پروژههای عملی انجام دهند (نه فقط تئوری)
- افرادی که میخواهند در حوزه NLP کار کنند یا اپلیکیشنهای مجهز به LLM بسازند.
آنچه شما با این دوره به دست خواهید آورد:
- مهارت کامل در پایتون، PyTorch و تئوری ترنسفرمرها
- استقرار پروژه ایجنت RAG و پیادهسازی کامل ترنسفرمر
- اعتمادبهنفس لازم برای حل چالشهای واقعی هوش مصنوعی
همین حالا در دوره شرکت کرده و کدها را به سیستمهای هوشمند تبدیل کنید.
این دوره برای چه کسانی مناسب است؟
- توسعهدهنده Generative AI و یادگیری عمیق
تسلط به یادگیری عمیق، Generative AI و PyTorch - از صفر تا ایجنت هوش مصنوعی
-
بررسی دوره 04:03
-
نصب ویژوال استودیو کد 01:21
-
افزونه ویژوال استودیو کد 01:14
-
نصب آناکوندا و ویژوال استودیو کد 03:07
-
نصب آناکوندا 02:05
-
راهاندازی Google Colab 04:42
-
فرمان چاپ 03:03
-
متغیرها 05:48
-
تایپ داده عددی 08:28
-
تایپ داده رشته 05:53
-
تایپ داده بولی 01:39
-
عملگر 02:24
-
لیست در پایتون 05:14
-
تاپل 05:18
-
مجموعه 07:03
-
دیکشنری 04:33
-
if-else 12:00
-
حلقه While 08:54
-
حلقه For 03:50
-
مقدمه توابع 03:32
-
مثال کد تابع 10:09
-
تابع لامبدا 02:50
-
تابع آرایه 05:30
-
آشنایی با کلاس 03:17
-
تابع __init__ 08:08
-
تابع __str__ 04:41
-
تابع کلاس 05:30
-
مقدمه وراثت 02:00
-
وراثت با __init__ 05:11
-
iterators 03:44
-
پلیمورفیسم 05:11
-
اسکوپ 04:44
-
ماژولها 05:07
-
تاریخها 03:42
-
ریاضیات 04:20
-
عبارت منظم 02:37
-
آبجکت جیسان 04:45
-
پکیج pip 01:30
-
مدیریت استثنا 14:11
-
ورودی کاربر 01:06
-
فرمت رشته 06:55
-
خواندن فایل 04:21
-
نوشتن فایل 03:27
-
مقدمه NumPy 03:42
-
آرایه NumPy - بخش 1 04:03
-
آرایه NumPy - بخش 2 06:38
-
intersection و diff 05:00
-
فیلتر تطبیقی 05:00
-
معکوس سطر و ستون 05:24
-
عدد تصادفی 08:18
-
خواندن فایل CSV 02:00
-
عملیات فایل 06:16
-
عملیات آماری - بخش 1 02:49
-
عملیات آماری - بخش 2 03:26
-
عملیات فیلتر - بخش 1 07:40
-
عملیات فیلتر - بخش 2 01:39
-
عملیات فیلتر - بخش 3 04:08
-
عملیات فیلتر - بخش 4 08:37
-
ایجاد ستون جدید 04:16
-
مرتبسازی ستون - بخش 1 03:37
-
مرتبسازی ستون - بخش 2 02:35
-
مرتبسازی ستون - بخش 3 06:58
-
مقدمه Pandas 06:07
-
ایجاد دیتافریم در Pandas 03:56
-
مدیریت مقادیر null 04:13
-
بروزرسانی و ایجاد ستون - بخش 1 08:22
-
حذف ستون 01:21
-
بروزرسانی و ایجاد ستون - بخش 2 05:53
-
تغییر نام ستون 01:21
-
LOC - بخش 1 10:03
-
LOC - بخش 2 05:36
-
ILOC 07:00
-
افزودن سطر 03:14
-
حذف سطر 01:30
-
مرتبسازی سطرها در Pandas 03:15
-
Cross Join 08:48
-
Inner Join و Left Join و Right Join 07:26
-
Group By - بخش 1 05:41
-
Group By - بخش 2 04:25
-
Group By - بخش 3 01:46
-
Group By - بخش 4 01:12
-
Iterate روی سطرهای Pandas 02:00
-
مقدمه Matplotlib 06:32
-
مقدمه subplot 01:53
-
Pyplot 03:57
-
ماشین state در Pyplot 04:16
-
فرمت در Pyplot 02:10
-
برنامهنویسی شیگرا در Pyplot 03:42
-
ماتریس NumPy در Pyplot 02:46
-
آرایه پویا در Pyplot 03:11
-
نمودار چندخطی 03:55
-
نمودار خط میانگین 01:51
-
نمودار پراکندگی 01:56
-
نمودار هیستوگرام 01:56
-
نمودار میلهای عمودی 01:39
-
نمودار میلهای افقی 00:41
-
نمودار میلهای انباشته 02:23
-
نمودار دایرهای 03:22
-
نمودار جعبهای 14:56
-
نمودار مساحت 01:24
-
نمودار گرید 03:23
-
مقدمه PyTorch 07:24
-
تبدیل آرایه NumPy به تانسور PyTorch 03:20
-
یک و عدد تصادفی 03:22
-
ریاضیات PyTorch 06:54
-
مقدمه شبکه عصبی 04:22
-
مقدمه رگرسیون لجستیک 06:11
-
تابع __init__ در رگرسیون لجستیک 05:56
-
پیشانتشار 07:35
-
توضیح کد پیشانتشار 05:29
-
مقدمه گرادیان کاهشی 04:02
-
مثال گرادیان کاهشی 11:46
-
مقدمه کد پسانتشار 04:40
-
مقدمه کد رگرسیون لجستیک 05:58
-
Train Test Split 09:20
-
مسطحسازی و ترانهادگی داده 08:35
-
بررسی رگرسیون لجستیک 02:54
-
کد بایاس وزن رگرسیون لجستیک 04:00
-
کد پیشانتشار 03:10
-
پیشانتشار - بخش 2 04:19
-
بروزرسانی بایاس وزن 08:55
-
پیشبینی 03:58
-
تابع Main 09:52
-
دقت 03:34
-
گرادیان 03:11
-
بررسی رگرسیون خطی 07:59
-
کد رگرسیون خطی 12:18
-
دقت رگرسیون خطی 11:17
-
بررسی رگرسیون لجستیک 08:34
-
مجموعه داده 10:37
-
مدل رگرسیون لجستیک 06:39
-
تابع ضرر و Optimizer 01:51
-
مجموعه داده آموزش 06:39
-
ارزیابی مدل 05:19
-
مقدمه ANN 07:42
-
بررسی ریاضیات ANN 06:08
-
پارامترهای INIT 08:29
-
تابع ضرر و پسانتشار 10:27
-
کد بارگذاری و مقداردهی اولیه داده 07:16
-
کد مقداردهی اولیه پارامترها 04:19
-
کد پیشانتشار 04:03
-
کد تابع ضرر 01:30
-
کد پسانتشار 08:15
-
بروزرسانی وزن و بایاس 05:37
-
ایجاد کد مدل 12:48
-
اجرای کد مدل 03:31
-
کد تست دقت داده 01:15
-
بارگذاری مجوعه داده ANN 11:41
-
مقداردهی اولیه مجموعه داده 10:25
-
ایجاد مدل 09:05
-
آموزش مدل 05:59
-
تست مدل 04:52
-
دقت آموزش و تست ANN 16:30
-
مقدمه CNN 06:20
-
بررسی معماری CNN 12:09
-
مقداردهی اولیه داده در PyTorch 04:14
-
کلاس ماژولار در CNN 08:44
-
پیشانتشار 08:38
-
کد آموزش 11:51
-
دقت تست 02:49
-
تاریخچه هوش مصنوعی 02:14
-
زبان به عنوان bag of words 03:08
-
تعبیه کلمات 03:06
-
تعبیه بردار 01:40
-
انواع تعبیهها 02:09
-
کانتکس انکودینگ و رمزگشایی 04:25
-
کانتکس رمزگذار و رمزگشا توجه 02:38
-
معماری ترنسفرمر با توجه 05:47
-
مدل جیپیتی در مقابل BERT 01:58
-
طول کانتکس و تعداد پارامترها 03:40
-
توکنسازی 04:27
-
توکنسازی کد 07:52
-
معماری ترنسفرمر 06:38
-
بلوک ترنسفرمر 06:02
-
انواع توجه 04:18
-
مبانی توجه 04:26
-
راهاندازی و کدنویسی رمزگشای ترنسفرمر 05:45
-
مقدمه توجه و کوئری، کلید و مقدار 03:00
-
کد معماری مدل ترنسفرمر 08:57
-
خلاصه مدل ترنسفرمر 00:55
-
کد تولید توکن در ترنسفرمر 03:42
-
توجه در ترنسفرمر 03:49
-
تعبیه کلمات 02:23
-
انکودینگ پوزیشنال 03:09
-
مقدمه ریاضیات توجه 01:35
-
مثال کوئری، کلید و مقدار در توجه 05:33
-
کوئری، کلید و مقدار در توجه در ترنسفرمر 03:50
-
مقدار انکودینگ شده 03:20
-
فرمولهای توجه 03:20
-
محاسبه ترانهادگی کوئری و کلید 06:20
-
softmax توجه 02:20
-
چرا در توجه در ماتریس V ضرب میکنیم؟ 02:14
-
بررسی کد توجه 09:43
-
کد توجه - بخش 1 08:51
-
کد توجه - بخش 2 04:05
-
ماسک کردن Self Attention 05:32
-
بررسی کد ماسک کردن Self Attention 04:41
-
کد ماسک کردن Self Attention 04:51
-
رمزگذار و رمزگشای ترنسفرمر 05:30
-
انواع ترنسفرمر 02:07
-
توجه چندوجهی 02:46
-
توجه Multihead 04:57
-
کد توجه Multihead 03:10
-
کد توجه Multihead برای رمزگذار و رمزگشا 07:22
-
توجه، تنها چیزی که نیاز دارید - مقدمه 05:07
-
تعبیه کلمات 07:53
-
انکودینگ پوزیشنال 08:36
-
مقدمه Langchain 01:15
-
مبانی Langchain 03:43
-
حافظه در مقابل پرامپت در Langchain 02:13
-
Retrievar بردار در Langchain 03:30
-
خلاصه Langchain 03:37
-
ایجاد محیط مجازی در ویژوال استودیو کد 01:45
-
ایجاد محیط مجازی پایتون در ویژوال استودیو کد 01:29
-
نصب وابستگیهای دیپسیک 02:03
-
نصب Ollama 01:28
-
نصب دیپسیک نسخه R1 02:13
-
مقدمه ایجنت RAG در دیپسیک 01:34
-
کتابخانههای استفاده شده 03:57
-
LLMs محلی در مقابل LLMs پولی 02:47
-
مقدمه اجرای اولین برنامه در StreamLit 01:48
-
معماری RAG 02:38
-
RAG Retriever 03:27
-
مقدمه StreamLit در پایتون 03:56
-
مقدمه کدنویسی StreamLit 01:48
-
خواندن فایل PDF 02:18
-
سمانتیکهای مستندات 02:28
-
تعبیه بردار 04:00
-
پرامپت پرسش و پاسخ 02:27
-
زنجیره LLM 03:20
-
زنجیره مستندات در LLM 03:33
-
اجرای ایجنت RAG با دیپسیک 06:11
-
زیباسازی سایدبار 00:47
-
دموی RAG در دیپسیک 02:37
مشخصات آموزش
تسلط به یادگیری عمیق، Generative AI و PyTorch - از صفر تا ایجنت هوش مصنوعی
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:مقدماتی
- تعداد درس:234
- مدت زمان :21:51:25
- حجم :8.21GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
The Great Courses
651,500
130,300 تومان
- زمان: 01:39:55
- تعداد درس: 6
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,889,000
377,800 تومان
- زمان: 04:47:39
- تعداد درس: 30
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,501,000
300,200 تومان
- زمان: 03:48:11
- تعداد درس: 47
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
490,000
98,000 تومان
- زمان: 54:55
- تعداد درس: 18
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
1,797,000
359,400 تومان
- زمان: 04:33:59
- تعداد درس: 86
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
2,659,500
531,900 تومان
- زمان: 06:44:45
- تعداد درس: 35
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
7,300,500
1,460,100 تومان
- زمان: 18:29:24
- تعداد درس: 115
-
سطح دوره:
-
زبان: دوبله فارسی
The Great Courses
2,113,000
422,600 تومان
- زمان: 05:21:41
- تعداد درس: 51
-
سطح دوره:
-
زبان: دوبله فارسی