آموزش تکنیک‌ها و کاربردهای پیشرفته PyTorch - آخرین آپدیت

دانلود Advanced PyTorch Techniques and Applications

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 هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و لحظه‌ای که به شما کمک می‌کند تا دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشرفت در دوره، درک خود را عمیق‌تر کنید. با این دوره جامع که برای کاربران پیشرفته طراحی شده است، پتانسیل کامل PyTorch را آزاد کنید. با شروع از سیستم‌های توصیه‌گر (Recommender Systems)، یاد می‌گیرید که چگونه این مدل‌ها را بسازید و ارزیابی کنید و اطلاعات کاربر و آیتم را برای بهبود توصیه‌ها به کار ببرید. در ادامه، بخش Autoencoders شما را با مفاهیم بنیادی و پیاده‌سازی عملی آن‌ها آشنا می‌کند و پایه‌ای محکم برای وظایف کاهش ابعاد و فشرده‌سازی داده‌ها فراهم می‌سازد. سپس شبکه‌های مولد رقابتی (GANs) پوشش داده می‌شوند، جایی که یاد می‌گیرید GANها را در سناریوهای مختلف پیاده‌سازی و اعمال کنید و مهارت‌های خود را در ایجاد شبیه‌سازی‌های واقع‌گرایانه داده‌ها تقویت نمایید. این دوره همچنین به شبکه‌های عصبی گراف (GNNs) می‌پردازد و به شما آموزش می‌دهد که چگونه داده‌های گرافی را برای کارهایی مانند طبقه‌بندی گره‌ها مدیریت کنید. سپس معماری ترنسفورمرها (Transformers)، از جمله انطباق آن برای وظایف بینایی با Vision Transformers (ViT) را بررسی خواهید کرد تا مهارت‌های لازم برای حل مسائل پیچیده توالی و بینایی را کسب کنید. علاوه بر ساخت مدل، این دوره بر PyTorch Lightning برای توسعه بهینه مدل و تکنیک‌های Early Stopping برای بهینه‌سازی آموزش تأکید دارد. متدهای یادگیری نیمه نظارتی (Semi-supervised learning) نیز پوشش داده شده‌اند تا به شما کمک کنند از هر دو نوع داده‌های برچسب‌دار و بدون برچسب برای بهبود عملکرد مدل بهره ببرید. بخش گسترده پردازش زبان طبیعی (NLP) تضمین می‌کند که بر Word Embeddings، تحلیل احساسات و تکنیک‌های پیشرفته‌ای مانند Zero-shot Classification مسلط شوید. دوره با مباحث ضروری در استقرار مدل (Model Deployment) با استفاده از فریم‌ورک‌هایی مانند Flask و Google Cloud برای تبدیل مدل‌های شما به محصول نهایی به پایان می‌رسد. این دوره برای دانشمندان داده، مهندسان یادگیری ماشین و پژوهشگران هوش مصنوعی با پایه قوی در PyTorch طراحی شده است. پیش‌نیازها شامل درک عمیق از مبانی یادگیری ماشین، تسلط بر برنامه‌نویسی پایتون و تجربه قبلی در کار با PyTorch است.

سرفصل ها و درس ها

سیستم‌های توصیه‌گر Recommender Systems

  • سیستم‌های توصیه‌گر (مبانی) Recommender Systems (101)

  • سیستم توصیه‌گر (کدنویسی ۱/۴) مجموعه داده و کلاس مدل RecSys (Coding 1/4) - Dataset and Model Class

  • سیستم توصیه‌گر (کدنویسی ۲/۴) آموزش و ارزیابی مدل RecSys (Coding 2/4) - Model Training and Evaluation

  • سیستم توصیه‌گر (کدنویسی ۳/۴) کاربران و آیتم‌ها RecSys (Coding 3/4) - Users and Items

  • سیستم توصیه‌گر (کدنویسی ۴/۴) معیارهای Precision@k و Recall@k RecSys (Coding 4/4) - Precision@k and Recall@k

اتوانکودرها (Autoencoders) Autoencoders

  • مرور کلی بخش Section Overview

  • اتوانکودرها (مبانی) Autoencoders (101)

  • اتوانکودرها (کدنویسی) Autoencoders (Coding)

شبکه‌های مولد رقابتی (GANs) Generative Adversarial Networks

  • مرور کلی بخش Section Overview

  • شبکه‌های GAN (مبانی) GANs (101)

  • شبکه‌های GAN (کدنویسی) GANs (Coding)

  • شبکه‌های GAN (تمرین) GANs (Exercise)

شبکه‌های عصبی گراف (GNNs) Graph Neural Networks

  • شبکه‌های عصبی گراف (مبانی) Graph Neural Networks (101)

  • مقدمه‌ای بر گراف (کدنویسی) Graph Introduction (Coding)

  • طبقه‌بندی گره‌ها (کدنویسی: آماده‌سازی داده‌ها) Node Classification (Coding: Data Prep)

  • طبقه‌بندی گره‌ها (کدنویسی: آموزش مدل) Node Classification (Coding: Model Train)

  • طبقه‌بندی گره‌ها (کدنویسی: ارزیابی مدل) Node Classification (Coding: Model Eval)

ترنسفورمرها (Transformers) Transformers

  • ترنسفورمرها (مبانی) Transformers 101

  • ترنسفورمرهای بینایی (ViT) Vision Transformers (ViT)

  • آموزش ViT روی مجموعه داده سفارشی (کدنویسی) Train ViT on Custom Dataset (Coding)

پایتورچ لایتنینگ (PyTorch Lightning) PyTorch Lightning

  • پایتورچ لایتنینگ (مبانی) PyTorch Lightning (101)

  • پایتورچ لایتنینگ (کدنویسی) PyTorch Lightning (Coding)

  • توقف زودهنگام یا Early Stopping (مبانی) Early Stopping (101)

  • توقف زودهنگام (کدنویسی) Early Stopping (Coding)

یادگیری نیمه نظارتی Semi-Supervised Learning

  • یادگیری نیمه نظارتی (مبانی) Semi-Supervised Learning (101)

  • یادگیری نظارت شده (مدل مرجع، کدنویسی) Supervised Learning (Reference Model, Coding)

  • یادگیری نیمه نظارتی (۱/۲: مجموعه داده و دیتا لودر) Semi-Supervised Learning (1/2: Dataset and Dataloader)

  • یادگیری نیمه نظارتی (۲/۲ مدل‌سازی) Semi-Supervised Learning (2/2 Modeling)

پردازش زبان طبیعی (NLP) Natural Language Processing (NLP)

  • پردازش زبان طبیعی (مبانی) Natural Language Processing (101)

  • مقدمه‌ای بر Word Embeddings (مبانی) Word Embeddings Intro (101)

  • مقدمه‌ای بر کدنویسی OHE برای تحلیل احساسات Sentiment OHE Coding Introduction

  • تحلیل احساسات OHE (کدنویسی) Sentiment OHE (Coding)

  • تعبیه کلمات با شبکه عصبی (مبانی) Word Embeddings with Neural Network (101)

  • مدل GloVe: دریافت تعبیه کلمات (کدنویسی) GloVe: Get Word Embedding (Coding)

  • مدل GloVe: یافتن نزدیک‌ترین کلمات (کدنویسی) Glove: Find Closest Words (Coding)

  • مدل GloVe: آنالوژی کلمات (کدنویسی) GloVe: Word Analogy (Coding)

  • خوشه‌بندی کلمات GloVe (مبانی) GloVe Word Cluster (101)

  • کلمات GloVe (کدنویسی) GloVe Word (Coding)

  • تحلیل احساسات با Embedding (مبانی) Sentiment with Embedding (101)

  • تحلیل احساسات با Embedding (کدنویسی) Sentiment with Embedding (Coding)

  • به‌کارگیری مدل‌های پیش‌آموزش‌دیده NLP (مبانی) Apply Pre-Trained Natural Language Processing Models (101)

  • به‌کارگیری مدل‌های پیش‌آموزش‌دیده NLP (کدنویسی) Apply Pre-Trained Natural Language Processing Models (Coding)

  • پایگاه داده‌های برداری یا Vector Databases (مبانی) Vector Databases (101)

  • تولید تقویت شده با بازیابی یا RAG (مبانی) Retrieval Augmented Generation (101)

  • مدل Claude 3 (مبانی) Claude 3 (101)

  • مدل Claude 3 (کدنویسی) Claude 3 (Coding)

  • طبقه‌بندی Zero Shot (مبانی) Zero-Shot Classification (101)

  • طبقه‌بندی Zero Shot (کدنویسی) Zero-Shot Classification (Coding)

مباحث متفرقه Miscellaneous Topics

  • مدل OpenAI ChatGPT (مبانی) OpenAI ChatGPT (101)

  • شبکه ResNet (مبانی) ResNet (101)

  • شبکه Inception (مبانی) Inception (101)

  • ماژول Inception (کدنویسی) Inception Module (Coding)

  • یادگیری شدید یا Extreme Learning (مبانی) Extreme Learning (101)

  • یادگیری شدید (کدنویسی) Extreme Learning (Coding)

عیب‌یابی مدل Model Debugging

  • قلاب‌ها یا Hooks (مبانی) Hooks (101)

  • قلاب‌ها یا Hooks (کدنویسی) Hooks (Coding)

استقرار مدل Model Deployment

  • استقرار مدل (مبانی) Model Deployment (101)

  • فلاسک در محیط محلی، Hello World (کدنویسی) Flask On-Premise, Hello World (Coding)

  • ساخت API محلی با مدل یادگیری عمیق (کدنویسی) API On-Premise with Deep Learning Model (Coding)

  • ساخت API محلی: نحوه مصرف داده‌ها (کدنویسی) API On-Premise: How to Consume the Data (Coding)

  • گوگل کلاود: استقرار وزن‌های مدل (کدنویسی) Google Cloud: Deploy Model Weights (Coding)

  • گوگل کلاود: استقرار REST API (کدنویسی) Google Cloud: Deploy REST API (Coding)

بخش نهایی Final Section

  • جمع‌بندی نهایی دوره تخصصی Conclusion to the Specialization

نمایش نظرات

آموزش تکنیک‌ها و کاربردهای پیشرفته PyTorch
جزییات دوره
11h 23m
63
(آخرین آپدیت)
2,214
- 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