آموزش مبانی و مفاهیم بنیادی PyTorch - آخرین آپدیت

دانلود Foundations and Core Concepts of PyTorch

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است! روشی هوشمندتر برای یادگیری با گفتگوهای تعاملی و در لحظه که به شما کمک می‌کند دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. در این دوره جامع، شما سفری را در میان عناصر بنیادی و مفاهیم اصلی PyTorch، یکی از محبوب‌ترین فریم‌ورک‌های یادگیری عمیق، آغاز خواهید کرد. با یک بررسی دقیق و آماده‌سازی سیستم شروع می‌کنیم و شما را در نصب و پیکربندی محیط خود راهنمایی می‌کنیم تا تجربه‌ای روان در یادگیری داشته باشید. سپس دوره به مبانی یادگیری ماشین و هوش مصنوعی انتقال می‌یابد تا زمینه‌ساز موضوعات پیشرفته‌تر شود. با پیشروی در دوره، پیچیدگی‌های یادگیری عمیق، از جمله عملکرد مدل، توابع فعال‌ساز و توابع زیان (Loss Functions) و تکنیک‌های بهینه‌سازی را بررسی خواهید کرد. هر ماژول بر پایه ماژول قبلی ساخته شده و به تدریج پیچیدگی آن افزایش می‌یابد. شما یاد می‌گیرید که شبکه‌های عصبی را از ابتدا بسازید و هر جزء را از آماده‌سازی داده‌ها تا فرآیند پس‌انتشار (Backpropagation) درک کنید. این رویکرد عملی تضمین می‌کند که شما نه‌تنها مفاهیم تئوری را درک کنید، بلکه مهارت‌های عملی در ساخت و آموزش مدل‌های خود کسب نمایید. دوره با نگاهی دقیق به مدل‌سازی خاص PyTorch به پایان می‌رسد. شما روی تمرینات دنیای واقعی، مانند پیاده‌سازی رگرسیون خطی و تنظیم هایپرپارامترها با استفاده از ویژگی‌های قدرتمند PyTorch کار خواهید کرد. در پایان، شما به خوبی مجهز خواهید شد تا با اعتماد به نفس کامل، مسائل پیچیده یادگیری عمیق را حل کرده و از PyTorch به طور موثر در پروژه‌های هوش مصنوعی و یادگیری ماشین خود استفاده کنید. این دوره برای متخصصان فناوری، دانشمندان داده و علاقه‌مندان به هوش مصنوعی که به دنبال تسلط بر PyTorch برای یادگیری عمیق هستند، ایده‌آل است. پیش‌نیازها شامل تجربه قبلی در زبان پایتون و درک ابتدایی از مفاهیم یادگیری ماشین است.

سرفصل ها و درس ها

مرور دوره و آماده‌سازی سیستم Course Overview and System Setup

  • معرفی تخصص Introduction to the Specialization

  • معرفی PyTorch PyTorch Introduction

  • آماده‌سازی سیستم System Setup

  • نحوه دریافت مطالب دوره How to Get the Course Material

  • راه‌اندازی محیط conda Setting Up the conda Environment

  • نحوه کار با دوره How to Work with the Course

یادگیری ماشین Machine Learning

  • هوش مصنوعی (مبانی) Artificial Intelligence (101)

  • یادگیری ماشین (مبانی) Machine Learning (101)

  • مدل‌های یادگیری ماشین (مبانی) Machine Learning Models (101)

مقدمه‌ای بر یادگیری عمیق Deep Learning Introduction

  • مرور کلی یادگیری عمیق Deep Learning General Overview

  • مدل‌سازی یادگیری عمیق (مبانی) Deep Learning Modeling 101

  • عملکرد مدل Performance

  • از پرسپترون تا شبکه عصبی From Perceptron to Neural Network

  • انواع لایه‌ها Layer Types

  • توابع فعال‌ساز Activation Functions

  • توابع زیان Loss Functions

  • بهینه‌سازها Optimizers

  • فریم‌ورک یادگیری عمیق Deep Learning Framework

ارزیابی مدل Model Evaluation

  • بیش‌برازش و کم‌برازش (مبانی) Underfitting Overfitting (101)

  • تقسیم داده‌ها به آموزش و تست (مبانی) Train Test Split (101)

  • تکنیک‌های بازنمونه‌گیری (مبانی) Resampling Techniques (101)

شبکه عصبی از صفر Neural Network from Scratch

  • مرور بخش Section Overview

  • شبکه عصبی از صفر (مبانی) Neural Network from Scratch (101)

  • محاسبه ضرب داخلی (کدنویسی) Calculating the dot-product (Coding)

  • شبکه عصبی از صفر (آماده‌سازی داده‌ها) Neural Network from Scratch (Data Prep)

  • شبکه عصبی از صفر: مدل‌سازی تابع __init__ Neural Network from Scratch Modeling __init__ Function

  • شبکه عصبی از صفر: مدل‌سازی توابع کمکی Neural Network from Scratch Modeling Helper Functions

  • شبکه عصبی از صفر: مدل‌سازی تابع Forward Neural Network from Scratch Modeling Forward Function

  • شبکه عصبی از صفر: مدل‌سازی تابع Backward Neural Network from Scratch Modeling Backward Function

  • شبکه عصبی از صفر: مدل‌سازی تابع Optimizer Neural Network from Scratch Modeling Optimizer Function

  • شبکه عصبی از صفر: مدل‌سازی تابع Train Neural Network from Scratch Modeling Train Function

  • شبکه عصبی از صفر: آموزش مدل Neural Network from Scratch Model Training

  • شبکه عصبی از صفر: ارزیابی مدل Neural Network from Scratch Model Evaluation

تنسورها Tensors

  • مرور بخش Section Overview

  • از تنسورها تا گراف‌های محاسباتی (مبانی) From Tensors to Computational Graphs (101)

  • تنسور (کدنویسی) Tensor (Coding)

مقدمه‌ای بر مدل‌سازی با PyTorch PyTorch Modeling Introduction

  • مرور بخش Section Overview

  • رگرسیون خطی از صفر (کدنویسی، آموزش مدل) Linear Regression from Scratch (Coding, Model Training)

  • رگرسیون خطی از صفر (کدنویسی، ارزیابی مدل) Linear Regression from Scratch (Coding, Model Evaluation)

  • کلاس مدل (کدنویسی) Model Class (Coding)

  • تمرین: نرخ یادگیری و تعداد Epochها Exercise: Learning Rate and Number of Epochs

  • پاسخ: نرخ یادگیری و تعداد Epochها Solution: Learning Rate and Number of Epochs

  • دسته‌های داده یا Batches (مبانی) Batches (101)

  • دسته‌های داده یا Batches (کدنویسی) Batches (Coding)

  • دیتاست‌ها و دیتالودرها (مبانی) Datasets and Dataloaders (101)

  • دیتاست‌ها و دیتالودرها (کدنویسی) Datasets and Dataloaders (Coding)

  • ذخیره و بارگذاری مدل‌ها (مبانی) Saving and Loading Models (101)

  • ذخیره و بارگذاری مدل‌ها (کدنویسی) Saving and Loading Models (Coding)

  • آموزش مدل (مبانی) Model Training (101)

  • تنظیم هایپرپارامترها (مبانی) Hyperparameter Tuning (101)

  • تنظیم هایپرپارامترها (کدنویسی) Hyperparameter Tuning (Coding)

نمایش نظرات

آموزش مبانی و مفاهیم بنیادی PyTorch
جزییات دوره
6h 49m
51
(آخرین آپدیت)
6,247
4.2 از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده