آموزش یادگیری عمیق با TensorFlow 2.0 [2023]

سرفصل ها و درس ها

خوش آمدی! معرفی دوره Welcome! Course introduction

• با مربیان خود آشنا شوید و چرا باید یادگیری ماشین را مطالعه کنید؟ Meet your instructors and why you should study machine learning?

• دوره شامل چه مواردی می شود؟ What does the course cover?

• دوره شامل چه مواردی می شود؟ - امتحان What does the course cover? - Quiz

• دانلود همه منابع و سوالات متداول مهم Download All Resources and Important FAQ

مقدمه ای بر شبکه های عصبی Introduction to neural networks

• مقدمه ای بر شبکه های عصبی Introduction to neural networks

• مقدمه ای بر شبکه های عصبی - آزمون Introduction to neural networks - Quiz

• آموزش مدل Training the model

• آموزش مدل - آزمون Training the model - Quiz

• انواع یادگیری ماشینی Types of machine learning

• انواع یادگیری ماشینی - آزمون Types of machine learning - Quiz

• مدل خطی The linear model

• مدل خطی - آزمون The linear model - Quiz

• برای جبر خطی به کمک نیاز دارید؟ Need Help with Linear Algebra?

• مدل خطی ورودی های متعدد The linear model. Multiple inputs

• مدل خطی ورودی های متعدد - آزمون The linear model. Multiple inputs - Quiz

• مدل خطی چند ورودی و چند خروجی The linear model. Multiple inputs and multiple outputs

• مدل خطی ورودی های متعدد و خروجی های متعدد - آزمون The linear model. Multiple inputs and multiple outputs - Quiz

• نمایش گرافیکی Graphical representation

• نمایش گرافیکی - آزمون Graphical representation - Quiz

• تابع هدف The objective function

• تابع هدف - امتحان The objective function - Quiz

• L2-از دست دادن هنجار L2-norm loss

• از دست دادن هنجار L2 - آزمون L2-norm loss - Quiz

• از دست دادن آنتروپی متقابل Cross-entropy loss

• از دست دادن آنتروپی متقابل - آزمون Cross-entropy loss - Quiz

• نزول گرادیان یک پارامتر One parameter gradient descent

• یک پارامتر نزول گرادیان - آزمون One parameter gradient descent - Quiz

• نزول گرادیان پارامتر N N-parameter gradient descent

• نزول گرادیان پارامتر N - آزمون N-parameter gradient descent - Quiz

راه اندازی محیط کار Setting up the working environment

• راه اندازی محیط - مقدمه - از دست ندهید لطفا! Setting up the environment - An introduction - Do not skip, please!

• چرا پایتون و چرا ژوپیتر؟ Why Python and why Jupyter?

• چرا پایتون و چرا ژوپیتر؟ - امتحان Why Python and why Jupyter? - Quiz

• نصب آناکوندا Installing Anaconda

• داشبورد Jupyter - قسمت 1 The Jupyter dashboard - part 1

• داشبورد Jupyter - قسمت 2 The Jupyter dashboard - part 2

• میانبرهای Jupyter Jupyter Shortcuts

• داشبورد Jupyter - آزمون The Jupyter dashboard - Quiz

• نصب TensorFlow 2 Installing TensorFlow 2

• نصب پکیج - ورزش Installing packages - exercise

• نصب پکیج - راه حل Installing packages - solution

مثال حداقل - اولین الگوریتم یادگیری ماشین شما Minimal example - your first machine learning algorithm

• نمونه حداقل - قسمت 1 Minimal example - part 1

• نمونه حداقل - قسمت 2 Minimal example - part 2

• نمونه حداقل - قسمت 3 Minimal example - part 3

• نمونه حداقل - قسمت 4 Minimal example - part 4

• مثال حداقل - تمرینات Minimal example - Exercises

TensorFlow - مقدمه TensorFlow - An introduction

• طرح کلی TensorFlow TensorFlow outline

• معرفی TensorFlow 2 TensorFlow 2 intro

• نکته ای در مورد کدنویسی در TensorFlow A Note on Coding in TensorFlow

• انواع فرمت های فایل در TensorFlow و مدیریت داده ها Types of file formats in TensorFlow and data handling

• طرح‌بندی مدل - ورودی‌ها، خروجی‌ها، اهداف، وزن‌ها، سوگیری‌ها، بهینه‌ساز و از دست دادن Model layout - inputs, outputs, targets, weights, biases, optimizer and loss

• تفسیر نتیجه و استخراج وزن ها و سوگیری ها Interpreting the result and extracting the weights and bias

• کوچک کردن مدل خود Cutomizing your model

• مثال حداقل با TensorFlow - تمرینات Minimal example with TensorFlow - Exercises

عمیق تر شدن: مقدمه ای بر شبکه های عصبی عمیق Going deeper: Introduction to deep neural networks

• لایه های Layers

• شبکه عمیق چیست؟ What is a deep net?

• درک عمیق شبکه های عمیق Understanding deep nets in depth

• چرا به غیر خطی ها نیاز داریم؟ Why do we need non-linearities?

• توابع فعال سازی Activation functions

• فعال سازی سافت مکس Softmax activation

• پس انتشار Backpropagation

• پس انتشار - نمایش بصری Backpropagation - visual representation

پس انتشار. نگاهی به ریاضیات بهینه سازی Backpropagation. A peek into the Mathematics of Optimization

• پس انتشار. نگاهی به ریاضیات بهینه سازی Backpropagation. A peek into the Mathematics of Optimization

بیش از حد برازش Overfitting

• کم تناسب و بیش از حد Underfitting and overfitting

• عدم تناسب و اضافه برازش - طبقه بندی Underfitting and overfitting - classification

• آموزش و اعتبار سنجی Training and validation

• آموزش، اعتبار سنجی و آزمون Training, validation, and test

• اعتبار سنجی متقاطع N برابری N-fold cross validation

• توقف زودهنگام Early stopping

مقداردهی اولیه Initialization

• مقدمه - مقدمه Initialization - Introduction

• انواع اولیه سازی های ساده Types of simple initializations

• مقداردهی اولیه خاویر Xavier initialization

نزول گرادیان و نرخ یادگیری Gradient descent and learning rates

• نزول گرادیان تصادفی Stochastic gradient descent

• دام های نزولی گرادیان Gradient descent pitfalls

• تکانه Momentum

• برنامه های نرخ یادگیری Learning rate schedules

• برنامه های نرخ یادگیری یک تصویر Learning rate schedules. A picture

• برنامه های نرخ یادگیری تطبیقی Adaptive learning rate schedules

• تخمین لحظه تطبیقی Adaptive moment estimation

پیش پردازش Preprocessing

• مقدمه پیش پردازش Preprocessing introduction

• پیش پردازش اولیه Basic preprocessing

• استاندارد سازی Standardization

• برخورد با داده های طبقه بندی شده Dealing with categorical data

• رمزگذاری یک داغ و باینری One-hot and binary encoding

مثال MNIST The MNIST example

• مجموعه داده The dataset

• چگونه با MNIST مقابله کنیم How to tackle the MNIST

• وارد کردن بسته های مربوطه و بارگذاری داده ها Importing the relevant packages and load the data

• داده ها را از قبل پردازش کنید - یک مجموعه داده اعتبار سنجی ایجاد کنید و داده ها را مقیاس کنید Preprocess the data - create a validation dataset and scale the data

• داده ها را از قبل پردازش کنید - داده های آزمایش را مقیاس کنید Preprocess the data - scale the test data

• داده ها را از قبل پردازش کنید - داده ها را به هم بزنید و دسته بندی کنید Preprocess the data - shuffle and batch the data

• داده ها را از قبل پردازش کنید - داده ها را به هم بزنید و دسته بندی کنید Preprocess the data - shuffle and batch the data

• داده ها را از قبل پردازش کنید - داده ها را به هم بزنید و دسته بندی کنید Preprocess the data - shuffle and batch the data

• مدل را مشخص کنید Outline the model

• ضرر و بهینه ساز را انتخاب کنید Select the loss and the optimizer

• یادگیری Learning

• MNIST - تمرینات MNIST - exercises

• MNIST - راه حل ها MNIST - solutions

• تست مدل Testing the model

مورد تجاری Business case

• کاوش مجموعه داده و شناسایی پیش بینی کننده ها Exploring the dataset and identifying predictors

• تشریح راه حل مورد تجاری Outlining the business case solution

• متعادل کردن مجموعه داده Balancing the dataset

• پیش پردازش داده ها Preprocessing the data

• تمرین پیش پردازش Preprocessing exercise

• داده های از پیش پردازش شده را بارگیری کنید Load the preprocessed data

• بارگذاری داده های از پیش پردازش شده - تمرین کنید Load the preprocessed data - Exercise

• یادگیری و تفسیر نتیجه Learning and interpreting the result

• تنظیم مکانیسم توقف اولیه Setting an early stopping mechanism

• تنظیم مکانیسم توقف اولیه - ورزش Setting an early stopping mechanism - Exercise

• تست مدل Testing the model

• تمرین نهایی Final exercise

ضمیمه: مبانی جبر خطی Appendix: Linear Algebra Fundamentals

• ماتریس چیست؟ What is a Matrix?

• اسکالرها و بردارها Scalars and Vectors

• جبر خطی و هندسه Linear Algebra and Geometry

• اسکالرها، بردارها و ماتریس ها در پایتون Scalars, Vectors and Matrices in Python

• تانسورها Tensors

• جمع و تفریق ماتریس ها Addition and Subtraction of Matrices

• خطا در هنگام اضافه کردن ماتریس Errors when Adding Matrices

• جابجایی یک ماتریس Transpose of a Matrix

• محصول نقطه ای بردارها Dot Product of Vectors

• محصول نقطه ای ماتریس ها Dot Product of Matrices

• چرا جبر خطی مفید است؟ Why is Linear Algebra Useful?

نتیجه Conclusion

• ببینید چقدر یاد گرفته اید See how much you have learned

• آنچه بیشتر در دنیای ماشین و یادگیری عمیق وجود دارد What’s further out there in the machine and deep learning world

• مروری بر CNN ها An overview of CNNs

• چگونه DeepMind از یادگیری عمیق استفاده می کند How DeepMind uses deep learning

• مروری بر RNN ها An overview of RNNs

• مروری بر رویکردهای غیر NN An overview of non-NN approaches

سخنرانی پاداش Bonus lecture

• سخنرانی پاداش: مراحل بعدی Bonus lecture: Next steps