یادگیری عمیق سریعتر - تسلط به اصول هوش مصنوعی در 15 روز
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- نقشه راه 15 روزه برای تسلط به هوش مصنوعی - ساخت، آموزش و استقرار مدلهای یادگیری عمیق در یک تایملاین ساختاریافته - گامبهگام از مبتدی تا حرفهای
- تمرکز بر پروژههای عملی -ایجاد اپلیکیشنهای واقعی مانند فیلترهای اسپم، طبقهبندهای تصویر و پیشبینیکنندههای قیمت برای تثبیت مهارتهای شما
- تخصص در استقرار عملی - تبدیل مدلها به اپلیکیشنهای تعاملی با Gradio برای نتایج فوری و عملی
- از مبانی تا پیشرفته - بررسی عمیق نورونها، CNNs، یادگیری انتقالی و موارد دیگر - تسلط آسان به PyTorch
- مدیریت موثر داده - یاد میگیرید که چگونه تایپهای مختلف داده (تصاویر، متن و غیره) را پیشپردازش، بهینهسازی و ارزیابی کنید.
- از یادگیری لذت ببرید - شامل بسیاری از آزمونهای تعاملی و تستهای عملی
- استفاده از قدرت یادگیری انتقالی با ResNet برای طبقهبندی پیشرفته
- تسلط به ابزارهای ضروری - پایتون، PyTorch ،Jupyter و ویژوال استودیو کد
پیشنیازهای دوره
- دانش اولیه پایتون - آشنایی با نوشتن اسکریپتهای ساده پایتون و درک تایپهای داده معمول، حلقهها و توابع
- نیاز به تجربه قبلی در هوش مصنوعی و یادگیری عمیق نیست - ما از پایه شروع میکنیم، بنابراین دوره مبتدیان پسند است.
- اتصال اینترنت مطمئن و یک کامپیوتر - شما باید پایتون، PyTorch و ابزارهای مرتبط را دانلود کنید و ممکن است نیاز به جستجوی منابع مبتنی بر ابر داشته باشید.
- تمایل به یادگیری و تست - کنجکاوی و انگیزه شما پیشنیازهای اصلی هستند. در بقیه مطالب دیگر ما گامبهگام شما را راهنمایی خواهیم کرد.
توضیحات دوره
آیا تا به حال دیدید که هوش مصنوعی به طور خودکار تصاویر را طبقهبندی یا اسپم را شناسایی میکند و فکر کردید، ای کاش میتوانستم این کار را انجام دهم؟ با این دوره، شما یاد خواهید گرفت که چگونه مدلهای یادگیری عمیق خود را در تنها 15 روز بسازید و مستقر کنید و تجربه عملی و واقعی در هر مرحله به دست آورید.
چرا این دوره؟
از روز اول، با مفاهیم اساسی که فناوری هوش مصنوعی مدرن را به وجود میآورد، آشنا خواهید شد. بدون مطالب اضافه، بدون تئوری بیپایان، شما با ساخت پروژههای واقعی مانند فیلترهای اسپم یا تشخیص تصویر، مفاهیم را یاد خواهید گرفت. در پایان، شما نه تنها مفهوم نورونها و شبکههای عصبی را خواهید دانست بلکه قادر خواهید بود آنها را آموزش داده، تصحیح کنید و در پروژههایی که واقعاً اهمیت دارند، استفاده کنید.
ویژگی خاص دوره چیست؟
- پیشرفت روزانه - یک برنامه ساختاریافته 15 روزه را دنبال میکنید که اطمینان میدهد هرگز احساس سردرگمی یا غرق شدن نخواهید کرد.
- پروژههای واقعی - پیشبینی قیمت خودروهای دستدوم، شناسایی اسپم در پیامک، طبقهبندی ارقام دست نویس، شناسایی اقلام مد - همه اینها با استفاده از تکنیکهای یادگیری عمیق
- ابزارها و فریمورکهای مدرن - تسلط به ابزارهای استاندارد صنعت مانند PyTorch و آشنایی با CNNs، یادگیری انتقالی با ResNet و موارد دیگر
- استقرار عملی - یاد میگیرید که چگونه با Gradio مدلهای آموزش داده شده خود را به اپلیکیشنهای تعاملی تبدیل کرده و پروژههای خود را واقعاً جانبخشی کنید.
در پایان دوره موارد زیر را درک خواهید کرد:
- پیادهسازی، آموزش و ارزیابی با اطمینان مدلهای یادگیری عمیق
- درک اینکه چگونه تایپهای مختلف داده، از متن تا تصاویر را آماده و پردازش کنید.
- خواهید دانست که چگونه مدلهای خود را بهبود بخشیده و بهینهسازی کنید تا عملکرد بهتری داشته باشد.
- آماده خواهید بود که راهحلهای هوش مصنوعی خود را مستقر کرده و آنها را برای کاربران واقعی دسترسپذیر و تعاملی کنید.
نیاز به تجربه قبلی نیست
چه شما فرد مبتدی در کدنویسی باشید یا تحلیلگر داده که به دنیای هوش مصنوعی میپیوندد، این دوره از پایهترین مفاهیم شروع میشود. ما شما را در نصب پایتون، PyTorch و راهاندازی محیط کدنویسی راهنمایی خواهیم کرد تا به آموزش شبکههای عصبی کامل روی GPU خود برسید.
آمادهاید که وارد مباحث شوید؟
اگر همیشه میخواستید وارد یادگیری عمیق شوید، حالا فرصت شماست. امروز ثبتنام کرده در این سفر عملی و کاربردی که نحوه دیدن و ساخت راهحلهای هوش مصنوعی را متحول خواهد کرد، به ما بپیوندید. در طی 15 روز، با کمک پروژههای واقعی، شما از مبتدی کنجکاو به متخصص یادگیری عمیق تبدیل خواهید شد.
این دوره برای چه کسانی مناسب است؟
- مبتدیان مطلق که مشتاق ورود به دنیای هوش مصنوعی و یادگیری عمیق هستند.
- علاقهمندان به داده که میخواهند با پروژههای عملی، پورتفولیوی خود را تقویت کنند.
- توسعهدهندگان و دانشمندان داده که به دنبال عمیقتر کردن مهارتهای خود در PyTorch و استقرار مدل هستند.
- کسی که خواهان یک نقشه راه واضح برای تسلط به یادگیری عمیق است.
یادگیری عمیق سریعتر - تسلط به اصول هوش مصنوعی در 15 روز
-
بررسی - یادگیری عمیق عملی 02:57
-
نصب ابزارهای لازم (ویندوز) 08:26
-
نصب ابزارهای لازم (لینوکس) 06:56
-
نصب ابزارهای لازم (سیستم عامل مک) 07:04
-
اجرای اولین فایل 05:46
-
مدل چیست؟ 02:39
-
تست دانش شما درباره اصول یادگیری ماشین و مدلها None
-
اولین نورون 04:07
-
اولین نورون در پایتون 09:55
-
تانسور چیست؟ 11:37
-
تست دانش شما درباره نورونها و تانسورها در یادگیری ماشین None
-
مدیریت تایپ داده تانسور در PyTorch 07:56
-
تنظیم دستی پارامترها 05:02
-
تست دانش شما درباره شبکههای عصبی ساده و مبانی PyTorch None
-
آشنایی با آموزش نورون 00:58
-
یادگیری چیست؟ 06:52
-
تست دانش شما درباره آموزش نورونها و پارامترهای یادگیری None
-
نورون چگونه یاد میگیرد؟ - یک رویکرد مقیاسپذیر 07:05
-
تست دانش شما درباره توابع ضرر، نرخهای یادگیری و مقداردهی اولیه پارامترها None
-
درک گرادیان کاهشی برای بهینهسازی نورون 09:20
-
تست دانش شما درباره گرادیان کاهشی None
-
آموزش نورون - بخش 1 - آمادهسازی و بهینهسازی 12:47
-
آموزش نورون - بخش 2 - یادگیری تکراری و تنظیمات 06:26
-
تست دانش شما درباره مدیریت داده و آموزش تکراری None
-
اهمیت میانگین مربعات خطا در آموزش مدل 04:28
-
یادگیری دستهای و انجام پیشبینیها با PyTorch 09:43
-
تست دانش شما درباره یادگیری دستهای، توابع ضرر و فرآیند آموزش None
-
[روز 3] - آشنایی با پیشبینی قیمت خودروهای دست دوم 01:48
-
بررسی مجموعه داده قیمت خودروهای دست دوم 03:22
-
شروع کار با Jupyter - برنامهنویسی تعاملی پایتون 08:09
-
تست دانش شما درباره مجموعه داده خودروهای دست دوم و Jupyter None
-
بررسی مجموعه داده خودروهای دست دوم با Pandas 12:53
-
بررسی روابط کلیدی داده برای آموزش مدل 14:34
-
تست دانش شما درباره بررسی و آمادهسازی داده با Pandas None
-
نهاییسازی ستونهای ورودی و هدف برای آموزش مدل 04:04
-
ساختاردهی داده برای ورودی مدل و اجرای پیشبینی اولیه 09:59
-
آموزش مدل - راهاندازی اولیه و چالشها 11:13
-
تست دانش شما درباره آمادهسازی داده و مراحل اولیه آموزش نورون None
-
[روز 4] - درک نرمالسازی خروجی برای یادگیری پایدار 05:56
-
پیادهسازی نرمالسازی خروجی در PyTorch برای پیشبینیهای مداوم 07:13
-
تست دانش شما درباره نرمالسازی داده خروجی None
-
درک نرمالسازی ورودی برای آموزش مداوم 03:22
-
پیادهسازی نرمالسازی ورودی در PyTorch برای پیشبینیهای بهتر 12:44
-
تست دانش شما درباره نرمالسازی داده ورودی None
-
تست پارامترهای آموزشی با استفاده از مصورسازی ضرر 08:55
-
ذخیره و بارگذاری مدل در PyTorch 09:50
-
تست دانش شما درباره آمادهسازی داده، آموزش و ارزیابی مدل None
-
تمرین - افزودن ستون اضافی به مدل 05:12
-
راهحل - افزودن ستون اضافی به مدل 06:40
-
[روز 5] - آشنایی با تشخیص اسپم 01:39
-
بررسی و پیشپردازش مجموعه داده اسپم SMS 10:58
-
استفاده از Count Vectorizer برای تبدیل متن به داده عددی 11:53
-
تست دانش شما درباره تشخیص اسپم و پیشپردازش متن None
-
مطالب اختیاری و اضافی - بررسی TF-IDF Vectorizer برای پیشپردازش بهتر متن 05:35
-
آموزش مدل برای طبقهبندی اسپم 07:28
-
درک تابع فعالسازی سیگموئید برای خروجی احتمال 03:45
-
تست دانش شما در باره آموزش مدل و تابع سیگموئید برای تشخیص اسپم None
-
سوئیچینگ به تابع ضرر با انتروپی متقابل باینری برای آموزش موثر 05:14
-
استفاده از BCE با سیگموئید برای محاسبه و پیشبینی ضرر 04:15
-
ارزیابی مدل با متریکهای کلیدی عملکرد 14:52
-
تست دانش شما درباره توابع ضرر و متریکهای ارزیابی در تشخیص اسپم None
-
[روز 6] - درک آموزش، اعتبارسنجی و تست داده در توسعه مدل 04:18
-
پیادهسازی تقسیم داده آموزش و اعتبارسنجی در پایتون 14:23
-
کاربرد و ارزیابی مدل روی داده جدید 05:05
-
تست دانش شما درباره بخشبندی داده در توسعه مدل None
-
مطلب اختیاری و اضافی - بهبود تشخیص اسپم با تعبیههای مدل زبانی بزرگ 06:20
-
مطلب اختیاری و اضافی - تولید تعبیهها با BART برای تشخیص اسپم 12:48
-
مطلب اختیاری و اضافی - ساخت تابع برای تولید تعبیهها برای تشخیص اسپم 06:46
-
مطلب اختیاری و اضافی - یکپارچهسازی تعبیهها در فیلتر اسپم 10:45
-
مطلب اختیاری و اضافی - تست دانش شما درباره بهبود تشخیص با تعبیههای LLM None
-
تست دانش شما درباره تکنیکهای تشخیص اسپم None
-
آزمون عملی - تست دانش شما تا به الان - بخش 1 None
-
[روز 7] - از نورون تک به شبکههای عصبی 01:54
-
مطلب اختیاری - درک توابع فعالسازی در شبکههای عصبی 05:59
-
مطلب اختیاری و اضافی - بررسی غیرخطی بودن و تأثیر آن بر شبکههای عصبی 08:33
-
درک پسانتشار در شبکههای عصبی 03:00
-
مطلب اختیاری - رمزگشایی ریاضیات پسانتشار 06:55
-
تست دانش شما درباره اصول شبکههای عصبی None
-
تحلیل داده عملکرد دانشجو برای پیشبینیهای آزمون 04:21
-
مطلب اختیاری - اعمال نورون تک روی داده آزمون دانشجو 13:10
-
ساخت و آموزش اولین شبکه عصبی ما 13:06
-
تست دانش شما درباره تحلیل داده و آموزش شبکههای عصبی None
-
ارزیابی عملکرد شبکههای عصبی 04:46
-
سادهسازی کد با nn.Sequential 06:44
-
تست دانش شما درباره تکنیکهای کاربرد شبکههای عصبی None
-
[روز 8] - معرفی تابع فعالسازی ReLU 07:04
-
بهینهسازی آموزش با Adam 08:06
-
تست دانش شما درباره بهینهسازی شبکههای عصبی با ReLU و Adam None
-
پیادهسازی یادگیری Mini-Batch برای آموزش موثر 11:31
-
بهینهسازی ردیابی ضرر در آموزش Mini-Batch 04:31
-
تست دانش شما درباره مفاهیم اساسی شبکههای عصبی None
-
آشنایی با پیشبینی تایید وام 08:42
-
بررسی مجموعه داده تایید وام 09:25
-
راهحل بخش 1 - آمادهسازی داده برای مدل تایید وام 09:04
-
راهحل بخش 2 - ساخت و آموزش مدل تایید وام 11:20
-
[روز 9] - آشنایی با طبقهبندی ارقام دستنویس 01:08
-
بررسی داده MNIST با TorchVision 07:14
-
از مجموعه داده تا DataLoader - آمادهسازی داده برای شبکه عصبی 07:39
-
تست دانش شما درباره آمادهسازی داده برای آموزش شبکه عصبی None
-
ساخت طبقهبند باینری برای تشخیص 0 11:13
-
ارزیابی طبقهبند باینری برای تشخیص 0 10:49
-
تست دانش شما درباره اصول طبقهبند باینری None
-
طبقهبندی چندکلاسه در شبکههای عصبی 07:20
-
درک انکودینگ One-Hot 02:55
-
تست دانش شما درباره آمادهسازی داده برای طبقهبندی چندکلاسه None
-
آموزش شبکه عصبی برای طبقهبندی چندکلاسه 09:10
-
ارزیابی شبکه عصبی برای طبقهبندی چندکلاسه 13:03
-
تست دانش شما درباره تنظیمات شبکه عصبی برای طبقهبندی چندکلاسه None
-
[روز 10] - درک Softmax برای نرمالسازی احتمال کلاس 03:06
-
اعمال Softmax در شبکه عصبی 04:10
-
تست با معماریهای مختلف شبکه عصبی 08:01
-
تست دانش شما درباره Softmax و معماری شبکه None
-
درک بیشبرازش در شبکههای عصبی 04:36
-
نمایش بیشبرازش در آموزش شبکه عصبی 17:19
-
استراتژیها برای مقابله با بیشبرازش 09:20
-
تست دانش شما درباره بیشبرازش در شبکه عصبی None
-
مطلب اختیاری و اضافی - اعمال شبکه عصبی روی تصاویر سفارشی 13:13
-
مطلب اختیاری و اضافی - غلبه بر چالشهای پیشپردازش در اپلیکیشن مدل 05:34
-
تست دانش شما درباره اصول طبقهبند چندکلاسه None
-
[روز 11] - آشنایی با شبکههای عصبی کانولوشن 02:37
-
بررسی داده Fashion MNIST 02:35
-
مطلب اختیاری - ارزیابی عملکرد مدلهای قبلی روی داده Fashion MNIST 03:10
-
بررسی تشخیص لبه با عملگر Sobel 03:12
-
تست دانش شما درباره مبانی CNN و پردازش تصویر None
-
درک ساختار شبکههای عصبی کانولوشن برای تشخیص لبه 02:09
-
بخش 1 - پیادهسازی CNN 12:11
-
بخش 2 - پیشرفت در پیادهسازی CNN 07:00
-
تست دانش شما درباره معماری و قابلیت CNN None
-
کاهش پیچیدگی CNN با Max Pooling 09:25
-
تست دانش شما درباره Max Pooling در CNNs None
-
استفاده از شتاب GPU با PyTorch 02:24
-
مطلب اختیاری - فعالسازی CUDA روی NVIDIA GPUs 05:16
-
استفاده از GPU رایگان Google Colab 03:21
-
بهینهسازی محاسبات تانسور روی GPU 09:04
-
اجرای مدل ساده روی GPU 07:03
-
شتابدهی سرعت اجرای CNN با GPU 07:05
-
تست دانش شما درباره استفاده از GPUs با PyTorch None
-
[روز 12] - پیشرفت در پیچیدگی CNN 09:53
-
بهبود عملکرد CNN با افزایش پیچیدگی فیلتر 04:48
-
تست دانش شما درباره پیکربندی لایههای CNN None
-
معرفی Dropout برای تعمیم بهبود یافته 03:20
-
بهینهسازی CNN با لایههای Dropout 06:07
-
بهبود CNN با نرمالسازی دستهای 06:07
-
تست دانش شما درباره Dropout و نرمالسازی دستهای None
-
مطلب اختیاری - درک ریاضیات نرمالسازی دستهای 05:48
-
مطلب اختیاری و اضافی - کاربرد تشخیص بیشبرازش و نهاییسازی مدل 14:53
-
تست دانش شما درباره تکنیکهای کلیدی CNN None
-
[روز 13] - آشنایی با یادگیری انتقالی و پیشبینی کیفیت تایر 04:57
-
بررسی مجموعه داده کیفیت تایر 02:52
-
آشنایی با ResNet در یادگیری انتقالی 10:07
-
استفاده از ResNet-50 برای طبقهبندی تصویر یک گربه 15:23
-
تست دانش شما درباره یادگیری انتقالی و ResNet None
-
مطلب اختیاری و اضافی - بررسی مقاله تحقیقاتی ResNet 12:47
-
آمادهسازی داده برای آموزش ResNet 11:04
-
بخش 1 - سفارشیسازی ResNet-50 برای پیشبینی کیفیت تایر 07:41
-
بخش 2 - ساخت مدل یادگیری انتقالی برای پیشبینی کیفیت تایر 10:39
-
تست دانش شما درباره آمادهسازی و تغییر ResNet برای یادگیری انتقالی None
-
[روز 14] - بخش 3 - آموزش مدل یادگیری انتقالی 09:28
-
بخش 4 - ارزیابی عملکرد مدل و مدیریت بیشبرازش 17:16
-
تست دانش شما درباره آموزش و ارزیابی مدل یادگیری انتقالی None
-
افزایش داده برای مقابله با بیشبرازش 08:45
-
یکپارچهسازی افزایش داده در آموزش مدل برای بهبود دقت 12:55
-
تست دانش شما درباره بهبود مدلها با افزایش داده None
-
تنظیم وزنهای مدل برای سازگاری جهانی 03:16
-
استفاده از مدل آموزش دیده برای پیشبینی کیفیت تایر 14:24
-
تست رویکردها برای استقرار مدل تایر 07:25
-
تست دانش شما درباره پیشبینی کیفیت تایر و یادگیری انتقالی None
-
آشنایی با استقرار مدلهای هوش مصنوعی با Gradio 03:00
-
شروع کار با Gradio برای اپلیکیشنهای ساده هوش مصنوعی 06:35
-
آپلود و پردازش تصاویر با Gradio 07:36
-
تست دانش شما درباره یکپارچهسازی Gradio و مدل هوش مصنوعی None
-
یکپارچهسازی Gradio با PyTorch برای پیشبینیها 08:33
-
استقرار Gradio برای پیشبینیهای واقعی تایر 07:17
-
تست دانش شما درباره تست واقعی اپلیکیشنهای Gradio None
-
آزمون عملی - تست دانش شما تا به الان - بخش 2 None
-
نکات پایانی 01:59
مشخصات آموزش
یادگیری عمیق سریعتر - تسلط به اصول هوش مصنوعی در 15 روز
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:مقدماتی
- تعداد درس:176
- مدت زمان :16:12:14
- حجم :18.14GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy