آموزش مقدمه‌ای بر یادگیری عمیق (Deep Learning) - آخرین آپدیت

مبانی شبکه‌های عصبی Neural Network Foundations

• مقدمه‌ای بر یادگیری ماشین Machine Learning Introduction​

• مقدمه‌ای بر یادگیری عمیق Deep Learning Introduction

• سیاست‌های استفاده از هوش مصنوعی و اخلاق آکادمیک در تخصص یادگیری ماشین Academic Integrity and AI Use Policy for the Machine Learning Specialization

• از رگرسیون خطی تا نورون مصنوعی From Linear Regression to the Artificial Neuron

• توابع فعال‌ساز و غیرخطی بودن: نمادهای ریاضی و تعریف مسئله Activation Functions and Non-Linearity: The Mathematical Notation and Problem Setup

• توابع فعال‌ساز و غیرخطی بودن: چرا غیرخطی بودن اهمیت دارد؟ Activation Functions and Non-Linearity: Why Non-Linearity is Important

• توابع فعال‌ساز و غیرخطی بودن: تابع سیگموئید و گرادینت آن Activation Functions and Non-Linearity: Sigmoid Activation and its Gradient

• توابع فعال‌ساز و غیرخطی بودن: تابع ReLU و گرادینت آن Activation Functions and Non-Linearity: Rectified Linear Unit Activation and its Gradient

• توابع فعال‌ساز و غیرخطی بودن: سایر توابع و نحوه انتخاب آن‌ها Activation Functions and Non-Linearity: Other Activations and How to Choose Among Them

• لایه‌ها، عمق و انتشار رو به جلو Layers, Depth, and Forward Propagation

• نمادگذاری ماتریسی و ابعاد Matrix Notation and Dimensions

• توابع زیان: MSE و Cross Entropy Loss Functions: MSE and Cross-Entropy

• گرادینت نزولی: ریاضیات بهینه‌سازی Gradient Descent: The Math of Optimization

• قانون زنجیری و پس‌انتشار The Chain Rule and Backpropagation

• پس‌انتشار در یک شبکه Backpropagation Through a Network

آموزش و منظم‌سازی شبکه‌های عصبی Training and Regularizing Neural Networks

• الگوریتم‌های SGD، Momentum و Adam SGD, Momentum, and Adam

• نرخ یادگیری و اندازه دسته (Batch Size) Learning Rate and Batch Size

• اپوک‌ها و نظارت بر آموزش Epochs and Monitoring Training

• درک بیش‌برازش (Overfitting) Understanding Overfitting

• منظم‌سازی L2 (کاهش وزن) L2 Regularization (Weight Decay)

• حذف تصادفی (Dropout) Dropout

• توقف زودهنگام و نرمال‌سازی دسته‌ای (Batch Normalization) Early Stopping and Batch Normalization

شبکه‌های عصبی کانولوشنال برای تشخیص تصویر Convolutional Neural Networks for Image Recognition

• چرا از CNNها برای تصاویر استفاده می‌کنیم؟ Why CNNs for Images?

• عملیات کانولوشن The Convolution Operation

• لایه‌های پولینگ (Pooling) Pooling Layers

• معماری CNN: کانولوشن ← پولینگ ← لایه متراکم CNN Architecture: Conv → Pool → Dense

• مدل‌های VGG، ResNet و اتصالات میان‌بر (Skip Connections) VGG, ResNet, and Skip Connections

• افزایش داده‌ها (Data Augmentation) Data Augmentation

• یادگیری انتقالی (Transfer Learning) Transfer Learning

مدل‌سازی توالی‌ها – RNNها، LSTMها و مکانیسم توجه Sequence Modeling – RNNs, LSTMs, and the Attention Mechanism

• داده‌های متوالی و معماری RNN Sequential Data and RNN Architecture

• حالت پنهان و پس‌انتشار در زمان (BPTT) Hidden State and Backprop Through Time

• معماری LSTM LSTM Architecture

• مکانیسم توجه (Attention Mechanism) The Attention Mechanism

• توجه به خود (Self Attention) و QKV Self-Attention and QKV

• توجه چندسر (Multi Head Attention) Multi-Head Attention

• کدگذاری موقعیتی (Positional Encoding) Positional Encoding

ترنسفورمرها، ترنسفورمرهای بینایی و CLIP Transformers, Vision Transformers, and CLIP

• معماری ترنسفورمر The Transformer Architecture

• ساختار رمزگذار (Encoder) و رمزگشا (Decoder) Encoder and Decoder Structure

• نرمال‌سازی لایه‌ای در ترنسفورمرها Layer Normalization in Transformers

• مدل BERT: ترنسفورمر فقط رمزگذار BERT: Encoder-Only Transformer

• مدل GPT: ترنسفورمر فقط رمزگشا GPT: Decoder-Only Transformer

• ترنسفورمر بینایی (ViT) Vision Transformer (ViT)

• مدل CLIP و یادگیری مقابله‌ای CLIP and Contrastive Learning

• طبقه‌بندی Zero-Shot با استفاده از CLIP Zero-Shot Classification with CLIP