آموزش یادگیری عمیق: ساخت و بهینه‌سازی شبکه‌های عصبی - آخرین آپدیت

دانلود Deep Learning: Build & Optimize Neural Networks

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در پایان این دوره، فراگیران قادر خواهند بود مفاهیم اصلی هوش مصنوعی را تشخیص دهند، شبکه‌های عصبی عمیق بسازند، مدل‌های تصویر و متن را پیاده‌سازی کنند، سیستم‌های NLP مبتنی بر Attention توسعه دهند و راهکارهای سیستم‌های توصیه‌گر را طراحی کنند. این دوره عملی، زبان‌آموزان را از مبانی یادگیری ماشین و یادگیری عمیق به پیاده‌سازی‌های پیشرفته در بینایی ماشین، پردازش زبان طبیعی، پیش‌بینی داده‌های جدولی و سیستم‌های توصیه‌گر می‌رساند. از طریق درس‌های هدایت‌شده، تمرینات کدنویسی و مطالعات موردی واقعی، کاربران تخصص عملی در ابزارهای استاندارد صنعت مانند Jupyter، Google Colab و PyTorch کسب خواهند کرد. آنچه این دوره را منحصر به فرد می‌کند، ساختار گام‌به‌گام آن است: شروع با مفاهیم ساده برای مبتدیان، پیشروی تدریجی در ساخت شبکه‌های عصبی قدرتمند و در نهایت به‌کارگیری معماری‌های پیشرفته مانند ترنسفورمرها و مکانیزم‌های Attention. هر ماژول بر کدنویسی عملی تأکید دارد تا اطمینان حاصل شود که فراگیران نه‌تنها تئوری را می‌فهمند، بلکه مدل‌ها را در پروژه‌های واقعی پیاده‌سازی و بهینه می‌کنند. اتمام این دوره، مهارت‌های تحلیل داده، مهندسی ویژگی، ساخت مدل‌های مقیاس‌پذیر و ارزیابی عملکرد را به فراگیران می‌آموزد و آن‌ها را برای جایگاه‌های شغلی در زمینه‌های هوش مصنوعی، مهندسی یادگیری عمیق و علوم داده آماده می‌کند.

سرفصل ها و درس ها

مبانی یادگیری عمیق Foundations of Deep Learning

  • مقدمه‌ای بر یادگیری عمیق عملی Introduction to Hands on Deeplearning

  • یادگیری ماشین چیست What is Machine Learning

  • روش‌های محبوب یادگیری ماشین Popular ML Methods

  • یادگیری عمیق چیست What is Deep Learning

  • کاربردهای یادگیری عمیق Applications of Deeplearning

  • توصیه‌ها Recommendations

  • مفاهیم پایه یادگیری عمیق Basic Concept of Deeplearning

  • پرسپترون Perception

  • شبکه عصبی Neural Network

  • قضیه تقریب جهانی Universal Approximations Theorem

  • شبکه عصبی عمیق Deep Neural Network

  • ادامه شبکه عصبی عمیق Deep Neural Network Continue

شروع کار با ابزارها Getting Started with Tools

  • شروع به کار Getting Started

  • محل نوشتن کدها Where to write Code

  • دفترچه ژوپیتر (Jupyter Notebook) Jupiter Notebook

  • گوگل کولب (Google Colab) Google Colab

  • پایتورچ (PyTorch) Pytorch

  • تنسورها Tensors

  • ادامه تنسورها Tensors Continue

  • گرادیان‌ها Gradients

  • مثال MNIST MNIST Example

  • بررسی نمونه Check Sample

  • لایه پنهان Hidden Layer

  • رابط کاربری روی ارقام Interface on a Digit

  • مروری بر یادگیری انتقالی (Transfer Learning) Transfer-Learning-Overview

  • یادگیری انتقالی چیست What is Transfer Learning

  • شبکه‌های عصبی کانولوشنال CS231n CS231n Convolutional Neural Networks

طبقه‌بندی تصاویر در عمل Image Classification in Action

  • دانلود مجموعه داده Download Dataset

  • تبدیل داده‌ها Transform the Data

  • بصری‌سازی داده‌ها Visualize the Data

  • تعریف مدل Define the Model

  • افزودن لایه‌های نهایی Add a Few Final Layers

  • آموزش مدل Train the Model

  • تست مدل Test the Model

  • در مورد CIFAR چه می‌دانیم What About CIFAR

  • طبقه‌بندی تصاویر در مجموعه داده Cifar 10 Image Classifier on Cifar 10 Dataset

  • دانلود و بارگذاری مجموعه داده ما Download and Load Our Dataset

  • مجموعه داده‌های آموزش و تست Train and Test Dataset

  • تعریف شبکه عصبی ما Define Our Neural Network

  • کار روی تصویر Working on Image

  • ورودی و خروجی Input and Output

  • تعریف تابع زیان (Loss Function) Define Our Loss Function

  • آموزش داده‌ها با Enumerate Train Data in Enumerate

  • ادامه آموزش داده‌ها با Enumerate Train Data in Enumerate Continue

  • تست شبکه عصبی روی تصویر تست Test the Neural Network on the Test Image

یادگیری عمیق برای متن Deep Learning for Text

  • مقدمه‌ای بر طبقه‌بندی متن Intro to Text Classifier

  • طبقه‌بندی متن با استفاده از CNN Text Classification Using CNN

  • آماده‌سازی داده‌ها Prepare the Data

  • ساخت مدل Build the Model

  • ادامه ساخت مدل Build the Model Continue

  • توضیحات بیشتر در مورد ساخت مدل More on Build the Model

  • تعریف تابع زیان Define a Loss Function

  • ادامه تعریف تابع زیان Define a Loss Function Continue

  • توضیحات بیشتر در مورد تعریف تابع زیان More on Define a Loss Function

  • ارزیابی یا تست مدل Evaluate or Test the Model

  • مقدمه‌ای بر تولید متن Intro to Text Generation

  • ترنسفورمرها برای تولید متن Text Generation-Transformers

  • ادامه ترنسفورمرها برای تولید متن Text Generation-Transformers Continue

  • معماری ترنسفورمرها Transformers-Architectures

  • ادامه معماری ترنسفورمرها Transformers-Architectures Continue

پردازش زبان طبیعی پیشرفته با Attention Advanced NLP with Attention

  • تولید کلمه Word-Generation

  • ادامه تولید کلمه Word-Generation Continue

  • تولید متن Text-Generation

  • مقدمه‌ای بر ترجمه متن Intro to Text Translation

  • بارگذاری داده‌ها Loading-Data

  • آماده‌سازی داده‌ها Preparing-Data

  • توجه رمزگذار (Encoder Attention) بخش اول Encoder-Attention Part 1

  • توجه رمزگذار بخش دوم Encoder-Attention Part 2

  • توجه رمزگذار بخش سوم Encoder-Attention Part 3

  • رمزگشا (Decoder) Decoder

  • توابع آموزش و ارزیابی Train-Eval-Functions

  • ادامه توابع آموزش و ارزیابی Train-Eval-Functions Continue

  • اصلاحات آموزش Training-Fixes

  • ارزیابی آموزش Training-Evaluation

فراتر از بینایی و متن Beyond Vision & Text

  • پیش‌بینی داده‌های جدولی بخش اول Prediction-Tabular-Data Part 1

  • پیش‌بینی داده‌های جدولی بخش دوم Prediction-Tabular-Data Part 2

  • پیش‌بینی داده‌های جدولی بخش سوم Prediction-Tabular-Data Part 3

  • پیش‌بینی داده‌های جدولی بخش چهارم Prediction-Tabular-Data Part 4

  • فیلترینگ مشارکتی (Collaborative Filtering) Collaborative Filtering

  • ادامه فیلترینگ مشارکتی Collaborative Filtering Continue

  • سایر رویکردهای سیستم توصیه‌گر Other Recommendation Approaches

نمایش نظرات

آموزش یادگیری عمیق: ساخت و بهینه‌سازی شبکه‌های عصبی
جزییات دوره
18h 3m
81
(آخرین آپدیت)
65
- 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