دوره Tensorflow 2: یادگیری عمیق و هوش مصنوعی [2026]
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- شبکههای عصبی مصنوعی / شبکههای عصبی عمیق
- پیشبینی بازده سهام
- پیشبینی سریهای زمانی
- بینایی ماشین
- چگونگی ساخت یک ربات معاملهگر سهام با یادگیری عمیق تقویتی
- GANها (شبکههای مولد تخاصمی)
- سیستمهای پیشنهاددهنده
- تشخیص تصویر
- شبکههای عصبی کانولوشنی
- شبکههای عصبی بازگشتی
- استفاده از Tensorflow Serving برای ارائه مدل از طریق یک RESTful API
- استفاده از Tensorflow Lite برای اکسپورت کردن از مدل جهت موبایل (Android ،iOS) و دستگاههای تعبیهشده
- استفاده از استراتژیهای توزیع Tensorflow برای موازیسازی یادگیری
- Tensorflow در سطح پایین، gradient tape، و چگونگی ساخت مدلهای سفارشی خودتان
- پردازش زبان طبیعی با یادگیری عمیق
- نمایش قانون مور با کد
- یادگیری انتقالی برای ساخت دستهبندهای تصویری پیشرفته
- دریافت گواهینامه Tensorflow Developer
- درک اصول مهم برای OpenAI ChatGPT ،GPT-4، DALL-E ،Midjourney و Stable Diffusion
پیشنیازهای دوره
- آشنایی با کدنویسی در پایتون و Numpy
- برای بخشهای نظری (اختیاری)، درک مشتقها و احتمال
توضیحات دوره
تا به حال فکر کردهاید فناوریهای هوش مصنوعی مانند OpenAI ChatGPT ،GPT-4 ،DALL-E ،Midjourney و Stable Diffusion واقعاً چگونه کار میکنند؟ در این دوره، اصول این کاربردهای تحولآفرین را یاد خواهید گرفت.
به Tensorflow 2.0 خوش آمدید!
چه زمان هیجانانگیزی. تقریباً 4 سال از انتشار Tensorflow گذشته و این کتابخانه به نسخه رسمی دوم خود رسیده است.
Tensorflow کتابخانه گوگل برای یادگیری عمیق و هوش مصنوعی است.
یادگیری عمیق اخیراً مسئول برخی دستاوردهای شگفتانگیز بوده است، مانند:
- تولید تصاویر زیبا و فوتورئالیستی از انسانها و چیزهایی که هرگز وجود نداشتهاند. (GANها)
- شکست دادن قهرمانان جهان در بازی استراتژیک Go و بازیهای ویدیویی پیچیدهای مانند CS:GO و Dota 2 (یادگیری عمیق تقویتی)
- خودروهای خودران (بینایی ماشین)
- تشخیص گفتار (برای مثال سیری) و ترجمه ماشینی (پردازش زبان طبیعی)
- حتی ساخت ویدیوهایی از افرادی که کارها و حرفهایی را انجام میدهند و میگویند که هرگز انجام ندادهاند. (دیپفیک - یک کاربرد بالقوه مخرب از یادگیری عمیق)
Tensorflow محبوبترین کتابخانه جهان برای یادگیری عمیق است و توسط گوگل ساخته شده؛ شرکتی که شرکت مادر آن، الفبیت، اخیراً به پولدارترین شرکت جهان از نظر نقدینگی تبدیل شد (فقط چند روز قبل از اینکه مدرس این متن را بنویسد). این کتابخانه، انتخاب اصلی بسیاری از شرکتهایی است که در حوزه هوش مصنوعی و یادگیری ماشین فعالیت میکنند.
به بیان دیگر، اگر میخواهید یادگیری عمیق انجام دهید، باید Tensorflow را بلد باشید.
این دوره برای دانشجویان مبتدی تا سطح حرفهای طراحی شده است. چطور ممکن است؟
اگر همین حالا پیشنیاز رایگان Numpy مدرس را گذرانده باشید، همه چیز لازم برای شروع را میدانید. او با چند مدل بسیار اولیه یادگیری ماشین شروع میکند و به مفاهیم پیشرفته و روز دنیا میرسد.
در این مسیر، همه معماریهای اصلی یادگیری عمیق، از جمله شبکههای عصبی عمیق، شبکههای عصبی کانولوشنی (پردازش تصویر) و شبکههای عصبی بازگشتی (داده دنبالهای) را یاد خواهید گرفت.
پروژههای فعلی شامل موارد زیر هستند:
- پردازش زبان طبیعی
- سیستمهای پیشنهاددهنده
- یادگیری انتقالی برای بینایی ماشین
- شبکههای مولد تخاصمی (GANs)
- ربات معاملهگر سهام با یادگیری عمیق تقویتی
حتی اگر همه دورههای قبلی مدرس را هم گذرانده باشید، باز هم یاد میگیرید که چگونه کدهای قبلی خود را به Tensorflow 2.0 تبدیل کنید. همچنین در این دوره پروژههای کاملاً جدید و دیدهنشدهای، مانند پیشبینی سریهای زمانی و چگونگی انجام پیشبینی سهام وجود دارد.
این دوره برای دانشجویانی طراحی شده که میخواهند سریع یاد بگیرند، اما بخشهای «عمیقتر» هم دارد؛ اگر بخواهید کمی بیشتر وارد مباحث نظری شوید، مثل اینکه تابع زیان چیست و انواع روشهای گرادیاننزولی کداماند.
موضوعات پیشرفته Tensorflow شامل موارد زیر هستند:
- استقرار مدل با Tensorflow Serving (Tensorflow در فضای ابری)
- استقرار مدل با Tensorflow Lite (کاربردهای موبایل و تعبیهشده)
- آموزش توزیعشده Tensorflow با استراتژیهای توزیع
- نوشتن مدل سفارشی Tensorflow خودتان
- تبدیل کد Tensorflow 1.x به Tensorflow 2.0
- ثابتها، متغیرها و تنسورها
- اجرای eager
- gradient tape
یادداشت مدرس: این دوره بیشتر بر گستره تمرکز دارد تا عمق، و بهجای نظریه سنگینتر، روی ساختن چیزهای جذابتر تأکید میکند. اگر به دنبال دورهای با محتوای نظری بیشتر هستید، این دوره مناسب شما نیست. بهطور کلی، برای هر یک از این موضوعات (سیستمهای پیشنهاددهنده، پردازش زبان طبیعی، یادگیری تقویتی، بینایی ماشین، GANها و غیره) مدرس از قبل دورههایی دارد که بهطور اختصاصی روی همان موضوعها تمرکز کردهاند.
ویژگیهای منحصربهفرد
- هر خط کد با جزئیات توضیح داده میشود.
- مثل بعضی دورههای دیگر، وقت شما با «تایپ کردن» بیهوده تلف نمیشود - صادق باشیم، هیچکس واقعاً نمیتواند از ابتدا و در فقط 20 دقیقه کدی بنویسد که ارزش یادگیری داشته باشد.
- از ریاضیات در سطح دانشگاه نمیترسد - جزئیات مهمی درباره الگوریتمها دریافت میکنید که در دورههای دیگر حذف میشوند.
این دوره برای چه کسانی مناسب است؟
- از مبتدی تا دانشجویان پیشرفتهای که میخواهند درباره یادگیری عمیق و هوش مصنوعی در Tensorflow 2.0 یاد بگیرند.
دوره Tensorflow 2: یادگیری عمیق و هوش مصنوعی [2026]
-
مقدمه 04:03
-
طرح کلی 12:47
-
از کجا کد، نوتبوکها و داده را بگیرید؟ 04:38
-
مقدمهای بر Google Colab، چگونه بهصورت رایگان از GPU یا TPU استفاده کنیم؟ 12:32
-
Tensorflow 2 در Google Colab 07:54
-
بارگذاری داده خودتان در Google Colab 11:41
-
کجا میتوانم درباره Numpy ،Scipy ،Matplotlib ،Pandas و Scikit-Learn یاد بگیرم؟ 11:00
-
چگونه در این دوره موفق شوید 03:04
-
خطاهای موقت 403 02:57
-
بروزرسانیهای دوره 03:52
-
یادگیری ماشین چیست؟ 14:26
-
آمادهسازی کد (نظریه دستهبندی) 15:59
-
نوتبوک دستهبندی 22:21
-
آمادهسازی کد (نظریه رگرسیون) 07:19
-
نوتبوک رگرسیون 27:28
-
نورون 09:58
-
یک مدل چگونه «یاد میگیرد»؟ 10:54
-
انجام پیشبینیها 06:45
-
ذخیره و بارگذاری یک مدل 04:28
-
چرا Keras؟ 04:27
-
جعبه پیشنهادها 03:10
-
مقدمه بخش شبکههای عصبی مصنوعی 06:00
-
مبتدیان خوشحال باشند: ریاضیات این دوره اختیاری است 12:31
-
انتشار رو به جلو 09:40
-
نمای هندسی 09:43
-
توابع فعالساز 17:18
-
دستهبندی چندکلاسه 08:41
-
چگونه تصاویر را نمایش دهیم؟ 12:36
-
توضیح درباره ترکیب رنگها 00:54
-
آمادهسازی کد (ANN) 12:42
-
ANN برای دستهبندی تصویر 08:36
-
ANN برای رگرسیون 11:05
-
چرا از tf.data استفاده کنیم؟ 03:59
-
نمونه کد برای tf.data 21:00
-
کانولوشن چیست؟ (بخش 1) 16:38
-
کانولوشن چیست؟ (بخش 2) 05:56
-
کانولوشن چیست؟ (بخش 3) 06:41
-
کانولوشن روی تصاویر رنگی 15:58
-
معماری CNN 20:58
-
آمادهسازی کد CNN 15:13
-
CNN برای Fashion MNIST 06:46
-
CNN برای CIFAR-10 04:28
-
افزایش داده 08:51
-
نرمالسازی دستهای 05:14
-
بهبود نتایج CIFAR-10 19:11
-
داده دنبالهای 18:27
-
پیشبینی 10:35
-
مدل خطی خودرگرسیو برای پیشبینی سریهای زمانی 12:01
-
اثبات اینکه مدل خطی کار میکند 04:12
-
شبکههای عصبی بازگشتی 21:34
-
آمادهسازی کد RNN 05:50
-
RNN برای پیشبینی سریهای زمانی 11:11
-
توجه به شکلها 08:27
-
GRU و LSTM (بخش 1) 17:35
-
GRU و LSTM (بخش 2) 11:36
-
یک دنباله چالشبرانگیزتر 09:19
-
نمایش مسئله فاصله طولانی 19:26
-
RNN برای دستهبندی تصویر (نظریه) 04:41
-
RNN برای دستهبندی تصویر (کد) 04:00
-
پیشبینی بازده سهام با استفاده از LSTMها (بخش 1) 12:03
-
پیشبینی بازده سهام با استفاده از LSTMها (بخش 2) 05:45
-
پیشبینی بازده سهام با استفاده از LSTMها (بخش 3) 11:59
-
روشهای دیگر پیشبینی 05:14
-
امبدینگها 13:12
-
آمادهسازی کد (پردازش زبان طبیعی) 14:16
-
پیشپردازش متن 19:03
-
دستهبندی متن با LSTMها 26:33
-
CNNها برای متن 08:07
-
دستهبندی متن با CNNها 24:11
-
نظریه سیستمهای پیشنهاددهنده با یادگیری عمیق 13:10
-
کد سیستمهای پیشنهاددهنده با یادگیری عمیق 09:17
-
نظریه یادگیری انتقالی 08:12
-
برخی مدلهای از پیش آموزشدیده (VGG ،ResNet ،Inception ،MobileNet) 05:41
-
مجموعهداده بزرگ و مولدهای داده 07:03
-
2 رویکرد به یادگیری انتقالی 04:51
-
کد یادگیری انتقالی (بخش 1) 23:42
-
کد یادگیری انتقالی (بخش 2) 24:48
-
نظریه GAN 15:51
-
کد GAN 12:10
-
بروزرسانی کد GAN 09:55
-
مقدمه بخش یادگیری عمیق تقویتی 06:34
-
اجزای یک مسئله یادگیری تقویتی 20:18
-
حالتها، کنشها، پاداشها، سیاستها 09:24
-
فرآیندهای تصمیمگیری مارکوف 10:07
-
بازگشت 04:56
-
توابع ارزش و معادله بلمن 09:53
-
«یاد گرفتن» یعنی چه؟ 07:18
-
حل معادله بلمن با یادگیری تقویتی (بخش 1) 09:49
-
حل معادله بلمن با یادگیری تقویتی (بخش 2) 12:04
-
اپسیلون-طمعکارانه 06:09
-
کیو-یادگیری 14:15
-
کیو-یادگیری عمیق / DQN (بخش 1) 14:05
-
کیو-یادگیری عمیق / DQN (بخش 2) 10:25
-
چگونه یادگیری تقویتی را یاد بگیریم؟ 05:57
-
مقدمهای بر معاملهگر سهام با یادگیری تقویتی 05:14
-
داده و محیط 12:22
-
بافر بازپخش 05:40
-
طراحی و طرح بندی برنامه 06:56
-
کد بخش 1 05:46
-
کد بخش 2 09:40
-
کد بخش 3 06:27
-
کد بخش 4 07:25
-
بحث درباره معاملهگر سهام با یادگیری تقویتی 03:36
-
کمک! چرا کد روی دستگاه من کندتر است؟ 08:19
-
وبسرویس چیست؟ (Tensorflow Serving بخش 1) 05:55
-
Tensorflow Serving بخش 2 16:56
-
Tensorflow Lite 08:30
-
چرا گوگل پادشاه رایانش توزیعشده است؟ 08:47
-
آموزش با استراتژیهای توزیعشده 07:00
-
استفاده از TPU 06:13
-
تفاوتهای Tensorflow 1.x و Tensorflow 2.x 10:02
-
ثابتها و محاسبات اولیه 09:39
-
متغیرها و gradient tape 12:59
-
مدل سفارشی خودتان را بسازید 10:47
-
میانگین مربعات خطا 09:11
-
آنتروپی متقاطع باینری 05:58
-
آنتروپی متقاطع چندکلاسه 08:06
-
گرادیاننزول 07:52
-
گرادیاننزول تصادفی 04:36
-
مومنتوم 06:10
-
نرخهای یادگیری متغیر و تطبیقی 11:45
-
Adam (بخش 1) 13:15
-
Adam (بخش 2) 11:14
-
چگونه گواهینامه Tensorflow Developer را بگیرید؟ 15:12
-
بعد از این چه چیزی یاد بگیریم 14:28
-
چگونه هایپرپارامترها را انتخاب کنیم؟ 06:16
-
بسته تمرین این دوره را دریافت کنید 04:03
-
پیوست چیست؟ 03:46
-
بررسی پیش از نصب 04:12
-
چگونه Numpy ،Scipy ،Matplotlib ،Pandas ،IPython ،Theano و TensorFlow را نصب کنیم؟ 17:30
-
راهاندازی محیط Anaconda 20:20
-
نصب کتابخانههای یادگیری عمیق شتابگرفته با GPU انویدیا روی رایانه خانگی شما 22:15
-
دست به کار شوید، تجربه کدنویسی عملی، Data Links 08:33
-
از کجا کد و راهنمای رفع اشکال را بگیرید؟ 04:06
-
چگونه از Github استفاده کنیم و نکات اضافی کدنویسی چیست؟ (اختیاری) 11:12
-
نکات کدنویسی برای مبتدیان 13:21
-
چگونه خودتان کدنویسی کنید؟ (بخش 1) 15:54
-
چگونه خودتان کدنویسی کنید؟ (بخش 2) 09:23
-
اثبات اینکه استفاده از Jupyter Notebook همانقدر است که از آن استفاده نکنید 12:29
-
آیا Theano منسوخ شده است؟ 10:03
-
چگونه در این دوره موفق شوید؟ (نسخه کامل) 10:24
-
این دوره برای مبتدیان است یا متخصصان؟ آکادمیک است یا عملی؟ سریع است یا آهسته؟ 22:04
-
نقشه راه پیشنیازهای یادگیری ماشین و هوش مصنوعی (بخش 1) 11:18
-
نقشه راه پیشنیازهای یادگیری ماشین و هوش مصنوعی (بخش 2) 16:07
-
سؤالات رایج مبتدیان: اگر «پیشرفته» باشم چه؟ 22:11
-
ویژه 05:48
مشخصات آموزش
دوره Tensorflow 2: یادگیری عمیق و هوش مصنوعی [2026]
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:Alls
- تعداد درس:146
- مدت زمان :26:04:48
- حجم :8.47GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy