آموزش مبانی یادگیری انتقالی (Transfer Learning) برای مدل‌های هوش مصنوعی - آخرین آپدیت

دانلود Transfer Learning Foundations for AI Models

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری انتقالی با فراهم کردن امکان ساخت راهکارهای قدرتمند هوش مصنوعی بدون نیاز به آموزش مدل‌ها از نقطه صفر، تحولی در هوش مصنوعی مدرن ایجاد کرده است. این دوره یک مقدمه کاربردی بر یادگیری ماشین، شبکه‌های عصبی، یادگیری انتقالی و معماری‌های ترنسفورمر ارائه می‌دهد و به شما کمک می‌کند تا مهارت‌های عملی خود را با استفاده از پایتون و کتابخانه‌های پرکاربرد علم داده توسعه دهید. شما ابتدا با NumPy، Pandas، Matplotlib و Seaborn برای آماده‌سازی، تحلیل و بصری‌سازی داده‌های یادگیری ماشین کار خواهید کرد. سپس اولین مدل‌های یادگیری ماشین خود را ساخته و ارزیابی می‌کنید و در ادامه بررسی خواهید کرد که شبکه‌های عصبی چگونه یاد می‌گیرند، شبکه‌های عصبی پیچشی (CNN) چگونه ویژگی‌ها را استخراج می‌کنند و مدل‌های پیش‌آموزش‌دیده چگونه از طریق یادگیری انتقالی تطبیق می‌یابند. این دوره با مبانی ترنسفورمرها، شامل خود-توجهی (Self-attention)، توجه چندسره (Multi-head attention)، معماری‌های رمزگذار-رمزگشا (Encoder-Decoder) و تکامل خانواده‌های مدرن ترنسفورمر به پایان می‌رسد. همچنین خواهید آموخت که چگونه بین یادگیری انتقالی و آموزش از صفر تصمیم‌گیری کنید و مدل پیش‌آموزش‌دیده مناسب را برای کاربردهای مختلف هوش مصنوعی انتخاب نمایید. در پایان این دوره، شما قادر خواهید بود: - از پایتون و کتابخانه‌های علم داده برای آماده‌سازی و تحلیل داده‌های یادگیری ماشین استفاده کنید. - مدل‌های بنیادی یادگیری ماشین را ساخته، آموزش داده و ارزیابی کنید. - نحوه یادگیری شبکه‌های عصبی و شبکه‌های عصبی پیچشی را توضیح دهید. - تکنیک‌های یادگیری انتقالی را برای تطبیق مدل‌های پیش‌آموزش‌دیده به کار ببرید. - مدل‌های پیش‌آموزش‌دیده مناسب را برای موارد مختلف استفاده از هوش مصنوعی انتخاب کنید. - مفاهیم خود-توجهی، توجه چندسره و معماری‌های ترنسفورمر را شرح دهید. این دوره برای مهندسان آینده هوش مصنوعی، متخصصان یادگیری ماشین، توسعه‌دهندگان نرم‌افزار، متخصصان داده، دانشجویان و علاقه‌مندان به فناوری طراحی شده و یک زیربنای عملی برای درک و به‌کارگیری یادگیری انتقالی و مدل‌های پیش‌آموزش‌دیده AI فراهم می‌کند.

سرفصل ها و درس ها

مبانی پایتون و یادگیری ماشین Python and Machine Learning Fundamentals

  • مرور کلی تخصص Specialization Overview

  • معرفی دوره Course Introduction

  • پایتون: ستون فقرات یادگیری ماشین Python: Backbone of Machine Learning

  • تمرین عملی: راه‌اندازی VS Code Hands-On: Setting Up VS Code

  • تمرین عملی: مبانی پایتون برای یادگیری ماشین Hands-On: Python Fundamentals for Machine Learning

  • آماده‌سازی داده‌ها برای یادگیری ماشین Preparing Data for Machine Learning

  • تمرین عملی: آرایه‌های NumPy و عملیات برداری Hands On: NumPy Arrays and Vectorized Operations

  • تمرین عملی: Pandas برای مدیریت داده‌های یادگیری ماشین Hands-On: Pandas for ML Data Handling

  • تمرین عملی: بصری‌سازی داده‌ها با Matplotlib و Seaborn Hands-On: Data Visualization with Matplotlib and Seaborn

  • رمزگشایی یادگیری ماشین: مفاهیم کلیدی و بینش‌ها Decoding Machine Learning: Core Concepts and Insights

  • تمرین عملی: ساخت اولین مدل یادگیری ماشین Hands-On: Building Your First Machine Learning Model

  • تمرین عملی: ارزیابی مدل‌های یادگیری ماشین Hands-On Evaluation of Machine Learning Models

شبکه‌های عصبی و اصول یادگیری انتقالی Neural Networks and Transfer Learning Principles

  • شبکه‌های عصبی چگونه یاد می‌گیرند How Neural Networks Learn

  • خط لوله‌های آموزش شبکه عصبی Neural Network Training Pipelines

  • تمرین عملی: ساخت یک شبکه عصبی با استفاده از NumPy Hands-On: Building a Neural Network using NumPy

  • مبانی معماری شبکه‌های عصبی پیچشی (CNN) Convolutional Neural Networks Architecture Basics

  • تمرین عملی: آزمایشگاه بصری‌سازی ویژگی‌های CNN Hands-On: CNN Feature Visualization Lab

  • یادگیری انتقالی: زیربنای هوش مصنوعی مدرن Transfer Learning: The Foundation of Modern AI

  • تمرین عملی: مقایسه یادگیری انتقالی در مقابل آموزش از صفر Hands-On: Transfer vs Training from Scratch

  • انتخاب استراتژی مناسب برای یادگیری انتقالی Choosing the Right Transfer Strategy

مبانی و معماری ترنسفورمر Transformer Fundamentals and Architecture

  • توضیح خود-توجهی و توجه چندسره Self-Attention and Multi-Head Attention Explained

  • تمرین عملی: پیاده‌سازی خود-توجهی از صفر Hands-On: Self-Attention from Scratch

  • معماری رمزگذار (Encoder) و رمزگشا (Decoder) Encoder and Decoder Architecture

  • جمع‌بندی دوره Course Summary

نمایش نظرات

آموزش مبانی یادگیری انتقالی (Transfer Learning) برای مدل‌های هوش مصنوعی
جزییات دوره
5h 43m
24
(آخرین آپدیت)
23
- 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