آموزش PyTorch برای یادگیری عمیق با Python Bootcamp

PyTorch for Deep Learning with Python Bootcamp

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: با کتابخانه PyTorch Deep Learning فیس بوک، نحوه ایجاد شبکه های عصبی پیشرفته برای یادگیری عمیق را بیاموزید! آموزش استفاده از NumPy برای قالب‌بندی داده‌ها به آرایه‌ها استفاده از پاندا برای دستکاری و تمیز کردن داده‌ها آموزش اصول تئوری یادگیری ماشین کلاسیک استفاده از کتابخانه یادگیری عمیق PyTorch برای طبقه‌بندی تصاویر استفاده از PyTorch با شبکه‌های عصبی تکراری برای داده‌های سری زمانی ترتیبی ایجاد مدل‌های پیشرفته یادگیری عمیق برای کار با داده های جدولی پیش نیازها:آشنایی با موضوعات پایه پایتون (انواع داده ها، حلقه ها، توابع) همچنین Python OOP توصیه می شود بتوانید از طریق محاسبات مشتق اولیه کار کنید مجوزهای مدیریت در رایانه شما (توانایی دانلود فایل های ما)

به بهترین دوره آنلاین برای یادگیری در مورد یادگیری عمیق با Python و PyTorch خوش آمدید!

PyTorch یک پلتفرم یادگیری عمیق منبع باز است که مسیری یکپارچه از نمونه سازی تحقیقاتی تا استقرار تولید را فراهم می کند. این به سرعت در حال تبدیل شدن به یکی از محبوب ترین چارچوب های یادگیری عمیق برای پایتون است. ادغام عمیق در پایتون اجازه می دهد تا از کتابخانه ها و بسته های محبوب برای نوشتن آسان لایه های شبکه عصبی در پایتون استفاده شود. یک اکوسیستم غنی از ابزارها و کتابخانه ها PyTorch را گسترش می دهد و از توسعه در بینایی کامپیوتر، NLP و موارد دیگر پشتیبانی می کند.

این دوره بر تعادل مفاهیم مهم تئوری با تمرین‌ها و پروژه‌های عملی تمرکز دارد که به شما امکان می‌دهد یاد بگیرید چگونه مفاهیم موجود در دوره را در مجموعه داده‌های خود به کار ببرید! هنگامی که در این دوره ثبت نام می کنید، به نوت بوک هایی که با دقت طراحی شده اند دسترسی خواهید داشت که مفاهیم را به روشی آسان توضیح می دهد، شامل کد و توضیحات در کنار هم. همچنین به اسلایدهای ما دسترسی خواهید داشت که تئوری را از طریق تجسم‌های قابل درک توضیح می‌دهند.

در این دوره ما هر آنچه را که برای شروع یادگیری عمیق با Pytorch نیاز دارید به شما آموزش خواهیم داد، از جمله:

  • NumPy

  • پاندا

  • نظریه یادگیری ماشین

  • تقسیم داده‌های آزمایش/قطار/اعتبارسنجی

  • ارزیابی مدل - وظایف رگرسیون و طبقه بندی

  • وظایف آموزشی بدون نظارت

  • تنسورها با PyTorch

  • نظریه شبکه عصبی

    • پرسپترون ها

    • شبکه ها

    • عملکردهای فعال سازی

    • توابع هزینه/از دست دادن

    • پشت انتشار

    • شیب ها

  • شبکه های عصبی مصنوعی

  • شبکه های عصبی کانولوشنال

  • شبکه های عصبی مکرر

  • و خیلی بیشتر!

در پایان این دوره، می‌توانید انواع مدل‌های یادگیری عمیق را برای حل مشکلات خود با مجموعه داده‌های خود ایجاد کنید.

پس منتظر چه چیزی هستید؟ همین امروز ثبت نام کنید و قابلیت های واقعی یادگیری عمیق را با PyTorch تجربه کنید! من شما را در داخل دوره می بینم!

-ژوزه


سرفصل ها و درس ها

نمای کلی دوره، نصب و راه اندازی Course Overview, Installs, and Setup

  • سخنرانی اجمالی دوره - لطفاً رد نشوید! COURSE OVERVIEW LECTURE - PLEASE DO NOT SKIP!

  • نصب و راه اندازی محیط Installation and Environment Setup

نمای کلی دوره، نصب و راه اندازی Course Overview, Installs, and Setup

  • سخنرانی اجمالی دوره - لطفاً رد نشوید! COURSE OVERVIEW LECTURE - PLEASE DO NOT SKIP!

  • نصب و راه اندازی محیط Installation and Environment Setup

بررسی اجمالی دوره بررسی تایید COURSE OVERVIEW CONFIRMATION CHECK

  • آیا سخنرانی اجمالی دوره را تماشا کردید؟ DID YOU WATCH THE COURSE OVERVIEW LECTURE?

بررسی اجمالی دوره بررسی تایید COURSE OVERVIEW CONFIRMATION CHECK

  • آیا سخنرانی اجمالی دوره را تماشا کردید؟ DID YOU WATCH THE COURSE OVERVIEW LECTURE?

Crash Course: NumPy Crash Course: NumPy

  • مقدمه ای بر NumPy Introduction to NumPy

  • آرایه های NumPy NumPy Arrays

  • آرایه های NumPy قسمت دوم NumPy Arrays Part Two

  • انتخاب شاخص Numpy Numpy Index Selection

  • عملیات NumPy NumPy Operations

  • تمرینات بیهوده Numpy Exercises

  • تمرینات بیهوده - راه حل Numpy Exercises - Solutions

Crash Course: NumPy Crash Course: NumPy

  • مقدمه ای بر NumPy Introduction to NumPy

  • آرایه های NumPy NumPy Arrays

  • آرایه های NumPy قسمت دوم NumPy Arrays Part Two

  • انتخاب شاخص Numpy Numpy Index Selection

  • عملیات NumPy NumPy Operations

  • تمرینات بیهوده Numpy Exercises

  • تمرینات بیهوده - راه حل Numpy Exercises - Solutions

دوره سقوط: پانداها Crash Course: Pandas

  • بررسی اجمالی پانداها Pandas Overview

  • سری پانداها Pandas Series

  • Pandas DataFrames - قسمت اول Pandas DataFrames - Part One

  • Pandas DataFrames - قسمت دوم Pandas DataFrames - Part Two

  • عملیات GroupBy GroupBy Operations

  • عملیات پانداها Pandas Operations

  • ورودی و خروجی داده Data Input and Output

  • تمرینات پانداها Pandas Exercises

  • تمرین پانداها - راه حل Pandas Exercises - Solutions

دوره سقوط: پانداها Crash Course: Pandas

  • بررسی اجمالی پانداها Pandas Overview

  • سری پانداها Pandas Series

  • Pandas DataFrames - قسمت اول Pandas DataFrames - Part One

  • Pandas DataFrames - قسمت دوم Pandas DataFrames - Part Two

  • عملیات GroupBy GroupBy Operations

  • عملیات پانداها Pandas Operations

  • ورودی و خروجی داده Data Input and Output

  • تمرینات پانداها Pandas Exercises

  • تمرین پانداها - راه حل Pandas Exercises - Solutions

مبانی PyTorch PyTorch Basics

  • مقدمه مبانی PyTorch PyTorch Basics Introduction

  • مبانی تانسور Tensor Basics

  • مبانی تانسور - قسمت دوم Tensor Basics - Part Two

  • عملیات تانسور Tensor Operations

  • عملیات تانسور - قسمت دوم Tensor Operations - Part Two

  • مبانی PyTorch - ورزش PyTorch Basics - Exercise

  • مبانی PyTorch - راه حل های تمرین PyTorch Basics - Exercise Solutions

مبانی PyTorch PyTorch Basics

  • مقدمه مبانی PyTorch PyTorch Basics Introduction

  • مبانی تانسور Tensor Basics

  • مبانی تانسور - قسمت دوم Tensor Basics - Part Two

  • عملیات تانسور Tensor Operations

  • عملیات تانسور - قسمت دوم Tensor Operations - Part Two

  • مبانی PyTorch - ورزش PyTorch Basics - Exercise

  • مبانی PyTorch - راه حل های تمرین PyTorch Basics - Exercise Solutions

مروری بر مفاهیم یادگیری ماشین Machine Learning Concepts Overview

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • یادگیری تحت نظارت Supervised Learning

  • بیش از حد برازش Overfitting

  • ارزیابی عملکرد - معیارهای خطای طبقه بندی Evaluating Performance - Classification Error Metrics

  • ارزیابی عملکرد - معیارهای خطای رگرسیون Evaluating Performance - Regression Error Metrics

  • یادگیری بدون نظارت Unsupervised Learning

مروری بر مفاهیم یادگیری ماشین Machine Learning Concepts Overview

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • یادگیری تحت نظارت Supervised Learning

  • بیش از حد برازش Overfitting

  • ارزیابی عملکرد - معیارهای خطای طبقه بندی Evaluating Performance - Classification Error Metrics

  • ارزیابی عملکرد - معیارهای خطای رگرسیون Evaluating Performance - Regression Error Metrics

  • یادگیری بدون نظارت Unsupervised Learning

ANN - شبکه های عصبی مصنوعی ANN - Artificial Neural Networks

  • مقدمه ای بر بخش ANN Introduction to ANN Section

  • نظریه - مدل پرسپترون Theory - Perceptron Model

  • نظریه - شبکه عصبی Theory - Neural Network

  • تئوری - توابع فعال سازی Theory - Activation Functions

  • طبقه بندی چند طبقه Multi-Class Classification

  • تئوری - توابع هزینه و نزول گرادیان Theory - Cost Functions and Gradient Descent

  • نظریه - پس انتشار Theory - BackPropagation

  • گرادیان های PyTorch PyTorch Gradients

  • رگرسیون خطی با PyTorch Linear Regression with PyTorch

  • رگرسیون خطی با PyTorch - قسمت دوم Linear Regression with PyTorch - Part Two

  • مجموعه داده ها با PyTorch DataSets with PyTorch

  • Basic Pytorch ANN - بخش اول Basic Pytorch ANN - Part One

  • Basic PyTorch ANN - قسمت دوم Basic PyTorch ANN - Part Two

  • Basic PyTorch ANN - قسمت سوم Basic PyTorch ANN - Part Three

  • معرفی کامل ANN با PyTorch Introduction to Full ANN with PyTorch

  • کد کامل ANN در امتداد - رگرسیون - قسمت اول - مهندسی ویژگی Full ANN Code Along - Regression - Part One - Feature Engineering

  • کد کامل ANN در امتداد - رگرسیون - قسمت 2 - ویژگی های طبقه بندی و پیوسته Full ANN Code Along - Regression - Part 2 - Categorical and Continuous Features

  • کد کامل ANN در امتداد - رگرسیون - قسمت سوم - مدل جدولی Full ANN Code Along - Regression - Part Three - Tabular Model

  • کد کامل ANN در امتداد - رگرسیون - قسمت چهارم - آموزش و ارزیابی Full ANN Code Along - Regression - Part Four - Training and Evaluation

  • کد ANN کامل در امتداد - نمونه طبقه بندی Full ANN Code Along - Classification Example

  • ANN - مروری بر تمرین ANN - Exercise Overview

  • ANN - راه حل های تمرین ANN - Exercise Solutions

ANN - شبکه های عصبی مصنوعی ANN - Artificial Neural Networks

  • مقدمه ای بر بخش ANN Introduction to ANN Section

  • نظریه - مدل پرسپترون Theory - Perceptron Model

  • نظریه - شبکه عصبی Theory - Neural Network

  • تئوری - توابع فعال سازی Theory - Activation Functions

  • طبقه بندی چند طبقه Multi-Class Classification

  • تئوری - توابع هزینه و نزول گرادیان Theory - Cost Functions and Gradient Descent

  • نظریه - پس انتشار Theory - BackPropagation

  • گرادیان های PyTorch PyTorch Gradients

  • رگرسیون خطی با PyTorch Linear Regression with PyTorch

  • رگرسیون خطی با PyTorch - قسمت دوم Linear Regression with PyTorch - Part Two

  • مجموعه داده ها با PyTorch DataSets with PyTorch

  • Basic Pytorch ANN - بخش اول Basic Pytorch ANN - Part One

  • Basic PyTorch ANN - قسمت دوم Basic PyTorch ANN - Part Two

  • Basic PyTorch ANN - قسمت سوم Basic PyTorch ANN - Part Three

  • معرفی کامل ANN با PyTorch Introduction to Full ANN with PyTorch

  • کد کامل ANN در امتداد - رگرسیون - قسمت اول - مهندسی ویژگی Full ANN Code Along - Regression - Part One - Feature Engineering

  • کد کامل ANN در امتداد - رگرسیون - قسمت 2 - ویژگی های طبقه بندی و پیوسته Full ANN Code Along - Regression - Part 2 - Categorical and Continuous Features

  • کد کامل ANN در امتداد - رگرسیون - قسمت سوم - مدل جدولی Full ANN Code Along - Regression - Part Three - Tabular Model

  • کد کامل ANN در امتداد - رگرسیون - قسمت چهارم - آموزش و ارزیابی Full ANN Code Along - Regression - Part Four - Training and Evaluation

  • کد ANN کامل در امتداد - نمونه طبقه بندی Full ANN Code Along - Classification Example

  • ANN - مروری بر تمرین ANN - Exercise Overview

  • ANN - راه حل های تمرین ANN - Exercise Solutions

CNN - شبکه های عصبی کانولوشن CNN - Convolutional Neural Networks

  • مقدمه ای بر CNN ها Introduction to CNNs

  • آشنایی با مجموعه داده های MNIST Understanding the MNIST data set

  • ANN با MNIST - بخش اول - داده ANN with MNIST - Part One - Data

  • ANN با MNIST - قسمت دوم - ایجاد شبکه ANN with MNIST - Part Two - Creating the Network

  • ANN با MNIST - قسمت سوم - آموزش ANN with MNIST - Part Three - Training

  • ANN با MNIST - بخش چهارم - ارزیابی ANN with MNIST - Part Four - Evaluation

  • فیلترها و هسته های تصویر Image Filters and Kernels

  • لایه های کانولوشنال Convolutional Layers

  • لایه های ترکیبی Pooling Layers

  • داده های MNIST بازبینی شد MNIST Data Revisited

  • MNIST با CNN - Code Along - قسمت اول MNIST with CNN - Code Along - Part One

  • MNIST با CNN - Code Along - قسمت دوم MNIST with CNN - Code Along - Part Two

  • MNIST با CNN - Code Along - قسمت سوم MNIST with CNN - Code Along - Part Three

  • CIFAR-10 DataSet با CNN - Code Along - قسمت اول CIFAR-10 DataSet with CNN - Code Along - Part One

  • CIFAR-10 DataSet با CNN - Code Along - قسمت دوم CIFAR-10 DataSet with CNN - Code Along - Part Two

  • بارگیری داده های تصویر واقعی - قسمت اول Loading Real Image Data - Part One

  • بارگیری داده های تصویر واقعی - قسمت دوم Loading Real Image Data - Part Two

  • CNN در مورد تصاویر سفارشی - قسمت اول - بارگیری داده ها CNN on Custom Images - Part One - Loading Data

  • CNN در مورد تصاویر سفارشی - قسمت دوم - مدل آموزشی و ارزیابی CNN on Custom Images - Part Two - Training and Evaluating Model

  • CNN در مورد تصاویر سفارشی - قسمت سوم - شبکه های از پیش آموزش دیده CNN on Custom Images - Part Three - PreTrained Networks

  • تمرین CNN CNN Exercise

  • راه حل های تمرین CNN CNN Exercise Solutions

CNN - شبکه های عصبی کانولوشن CNN - Convolutional Neural Networks

  • مقدمه ای بر CNN ها Introduction to CNNs

  • آشنایی با مجموعه داده های MNIST Understanding the MNIST data set

  • ANN با MNIST - بخش اول - داده ANN with MNIST - Part One - Data

  • ANN با MNIST - قسمت دوم - ایجاد شبکه ANN with MNIST - Part Two - Creating the Network

  • ANN با MNIST - قسمت سوم - آموزش ANN with MNIST - Part Three - Training

  • ANN با MNIST - بخش چهارم - ارزیابی ANN with MNIST - Part Four - Evaluation

  • فیلترها و هسته های تصویر Image Filters and Kernels

  • لایه های کانولوشنال Convolutional Layers

  • لایه های ترکیبی Pooling Layers

  • داده های MNIST بازبینی شد MNIST Data Revisited

  • MNIST با CNN - Code Along - قسمت اول MNIST with CNN - Code Along - Part One

  • MNIST با CNN - Code Along - قسمت دوم MNIST with CNN - Code Along - Part Two

  • MNIST با CNN - Code Along - قسمت سوم MNIST with CNN - Code Along - Part Three

  • CIFAR-10 DataSet با CNN - Code Along - قسمت اول CIFAR-10 DataSet with CNN - Code Along - Part One

  • CIFAR-10 DataSet با CNN - Code Along - قسمت دوم CIFAR-10 DataSet with CNN - Code Along - Part Two

  • بارگیری داده های تصویر واقعی - قسمت اول Loading Real Image Data - Part One

  • بارگیری داده های تصویر واقعی - قسمت دوم Loading Real Image Data - Part Two

  • CNN در مورد تصاویر سفارشی - قسمت اول - بارگیری داده ها CNN on Custom Images - Part One - Loading Data

  • CNN در مورد تصاویر سفارشی - قسمت دوم - مدل آموزشی و ارزیابی CNN on Custom Images - Part Two - Training and Evaluating Model

  • CNN در مورد تصاویر سفارشی - قسمت سوم - شبکه های از پیش آموزش دیده CNN on Custom Images - Part Three - PreTrained Networks

  • تمرین CNN CNN Exercise

  • راه حل های تمرین CNN CNN Exercise Solutions

شبکه های عصبی مکرر Recurrent Neural Networks

  • مقدمه ای بر شبکه های عصبی بازگشتی Introduction to Recurrent Neural Networks

  • نظریه پایه RNN RNN Basic Theory

  • ناپدید شدن گرادیان ها Vanishing Gradients

  • LSTMS و GRU LSTMS and GRU

  • نظریه دسته های RNN RNN Batches Theory

  • RNN - ایجاد دسته با داده ها RNN - Creating Batches with Data

  • RNN پایه - ایجاد مدل LSTM Basic RNN - Creating the LSTM Model

  • RNN پایه - آموزش و پیش بینی Basic RNN - Training and Forecasting

  • RNN در یک سری زمانی - قسمت اول RNN on a Time Series - Part One

  • RNN در یک سری زمانی - قسمت دوم RNN on a Time Series - Part Two

  • تمرین RNN RNN Exercise

  • تمرین RNN - راه حل RNN Exercise - Solutions

شبکه های عصبی مکرر Recurrent Neural Networks

  • مقدمه ای بر شبکه های عصبی بازگشتی Introduction to Recurrent Neural Networks

  • نظریه پایه RNN RNN Basic Theory

  • ناپدید شدن گرادیان ها Vanishing Gradients

  • LSTMS و GRU LSTMS and GRU

  • نظریه دسته های RNN RNN Batches Theory

  • RNN - ایجاد دسته با داده ها RNN - Creating Batches with Data

  • RNN پایه - ایجاد مدل LSTM Basic RNN - Creating the LSTM Model

  • RNN پایه - آموزش و پیش بینی Basic RNN - Training and Forecasting

  • RNN در یک سری زمانی - قسمت اول RNN on a Time Series - Part One

  • RNN در یک سری زمانی - قسمت دوم RNN on a Time Series - Part Two

  • تمرین RNN RNN Exercise

  • تمرین RNN - راه حل RNN Exercise - Solutions

استفاده از GPU با PyTorch و CUDA Using a GPU with PyTorch and CUDA

  • چرا به GPU نیاز داریم؟ Why do we need GPUs?

  • استفاده از GPU برای PyTorch Using GPU for PyTorch

استفاده از GPU با PyTorch و CUDA Using a GPU with PyTorch and CUDA

  • چرا به GPU نیاز داریم؟ Why do we need GPUs?

  • استفاده از GPU برای PyTorch Using GPU for PyTorch

NLP با PyTorch NLP with PyTorch

  • مقدمه ای بر NLP با PyTorch Introduction to NLP with PyTorch

  • رمزگذاری داده های متنی Encoding Text Data

  • تولید دسته های آموزشی Generating Training Batches

  • ایجاد مدل LSTM Creating the LSTM Model

  • آموزش مدل LSTM Training the LSTM Model

  • مدل ما برای دانلود OUR MODEL FOR DOWNLOAD

  • ایجاد پیش بینی Generating Predictions

NLP با PyTorch NLP with PyTorch

  • مقدمه ای بر NLP با PyTorch Introduction to NLP with PyTorch

  • رمزگذاری داده های متنی Encoding Text Data

  • تولید دسته های آموزشی Generating Training Batches

  • ایجاد مدل LSTM Creating the LSTM Model

  • آموزش مدل LSTM Training the LSTM Model

  • مدل ما برای دانلود OUR MODEL FOR DOWNLOAD

  • ایجاد پیش بینی Generating Predictions

بخش پاداش: از شما متشکرم! BONUS SECTION: THANK YOU!

  • سخنرانی جایزه BONUS LECTURE

بخش پاداش: از شما متشکرم! BONUS SECTION: THANK YOU!

  • سخنرانی جایزه BONUS LECTURE

نمایش نظرات

نظری ارسال نشده است.

آموزش PyTorch برای یادگیری عمیق با Python Bootcamp
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
17 hours
97
Udemy (یودمی) udemy-small
13 شهریور 1398 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
25,346
4.6 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jose Portilla Jose Portilla

رئیس بخش علوم داده در آموزش پیریان

Jose Portilla Jose Portilla

رئیس بخش علوم داده در آموزش پیریان

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.