آموزش مبانی شبکه‌های عصبی و بینایی ماشین - آخرین آپدیت

مبانی اصلی شبکه‌های عصبی Neural Network Core Foundations

• معرفی تخصص Specialization Introduction

• معرفی دوره Course Introduction

• آشنایی با یادگیری عمیق Introduction to Deep Learning

• شبکه‌های عصبی چگونه یاد می‌گیرند How Neural Networks Learn

• پرسپترون‌ها و شبکه‌های چندلایه Perceptrons and Multi Layer Networks

• دمو: پیاده‌سازی انتشار پیشرو از صفر Demonstration: Forward Pass Implementation from Scratch

• دمو: محاسبه زیان و جریان پیش‌بینی Demonstration: Loss Computation and Prediction Flow

• شهود و ریاضیات پس‌انتشار Backpropagation Intuition and Mathematics

• قانون زنجیره‌ای و محاسبه گرادیان Chain Rule and Gradient Computation

• دمو: پیاده‌سازی دستی پس‌انتشار Demonstration: Manual Backpropagation Implementation

• دمو: تجسم جریان گرادیان Demonstration: Visualizing Gradient Flow

• خط لوله‌های آموزش شبکه عصبی Neural Network Training Pipelines

• دمو: پیاده‌سازی حلقه آموزش Demonstration: Training Loop Implementation

• دمو: منحنی‌های زیان و تحلیل همگرایی: خط لوله آموزش Demonstration: Loss Curves and Convergence Analysis : Training Pipeline

• دمو: منحنی‌های زیان و تحلیل همگرایی: تجسم Demonstration: Loss Curves and Convergence Analysis : Visualization

تکنیک‌های بهینه‌سازی و منظم‌سازی Optimization and Regularization Techniques

• بهینه‌سازی SGD و مومنتوم SGD and Momentum Optimization

• استراتژی‌های زمان‌بندی نرخ یادگیری Learning Rate Scheduling Strategies

• دمو: مقایسه SGD در مقابل مومنتوم Demonstration: SGD vs. Momentum Comparison

• دمو: تحلیل حساسیت نرخ یادگیری Demonstration: Learning Rate Sensitivity Analysis

• بهینه‌سازهای RMSProp و Adam RMSProp and Adam Optimizers

• دمو: مقایسه عملکرد بهینه‌سازها Demonstration: Optimizer Performance Comparison

• دمو: تحلیل سرعت همگرایی: آماده‌سازی داده‌ها Demonstration: Convergence Speed Analysis: Data Preparation

• دمو: تحلیل سرعت همگرایی: آموزش مدل Demonstration: Convergence Speed Analysis: Model Training

• دمو: تحلیل سرعت همگرایی: تجسم Demonstration: Convergence Speed Analysis: Visualization

• تکنیک‌های Dropout و کاهش وزن (Weight Decay) Dropout and Weight Decay Techniques

• توضیحات BatchNorm و LayerNorm BatchNorm and LayerNorm Explained

• دمو: تحلیل اثر منظم‌سازی Demonstration: Regularization Effect Analysis

• دمو: پایداری آموزش نرمال‌سازی: مدل و تنظیمات آموزش Demonstration: Normalization Training Stability: Model and Training Setup

• دمو: پایداری آموزش نرمال‌سازی: تجسم Demonstration: Normalization Training Stability: Visualization

مبانی بینایی ماشین و شبکه‌های CNN Foundations of Computer Vision and CNNs

• بینایی ماشین به عنوان یادگیری چندبعدی Computer Vision as Multidimensional Learning

• معماری شبکه‌های عصبی کانولوشنال Convolutional Neural Networks Architecture

• دمو: تصاویر به عنوان تنسورهای چندبعدی Demonstration: Images as Multidimensional Tensors

• دمو: تجسم نقشه ویژگی‌ها (Feature Map) Demonstration: Feature Map Visualization

• معماری‌های تشخیص اشیاء و بخش‌بندی Object Detection and Segmentation Architectures

• دمو: باکس‌های محصورکننده در مقابل ماسک‌های بخش‌بندی Demonstration: Bounding Boxes vs Segmentation Masks

• دمو: خروجی‌های تشخیص و بخش‌بندی: تنظیم مدل Demonstration: Detection and Segmentation Outputs: Model Steup

• دمو: خروجی‌های تشخیص و بخش‌بندی: تحلیل خروجی Demonstration: Detection and Segmentation Outputs: Output Analysis

• یادگیری شباهت با استفاده از جاسازی‌های بصری (Visual Embeddings) Similarity Learning with Visual Embeddings

• دمو: مقایسه معیارهای فاصله: تنظیمات Embedding Demonstration: Distance Metrics Comparison: Embedding Setup

• دمو: مقایسه معیارهای فاصله: رتبه‌بندی شباهت Demonstration: Distance Metrics Comparison: Similarity Ranking

• دمو: شباهت تصاویر با استفاده از فاصله Embedding Demonstration: Image Similarity Using Embedding Distance

جمع‌بندی دوره Course Wrap-Up

• خلاصه دوره Course Summary