آموزش درک عمیق از یادگیری عمیق (با مقدمه پایتون)

سرفصل ها و درس ها

معرفی Introduction

• چگونه از این دوره یاد بگیریم How to learn from this course

• استفاده از Udemy مانند یک حرفه ای Using Udemy like a pro

• استفاده از Udemy مانند یک حرفه ای Using Udemy like a pro

معرفی Introduction

• چگونه از این دوره یاد بگیریم How to learn from this course

دانلود تمامی مطالب دوره Download all course materials

• دانلود و استفاده از کد Downloading and using the code

• خط مشی من در مورد اشتراک گذاری کد My policy on code-sharing

دانلود تمامی مطالب دوره Download all course materials

• دانلود و استفاده از کد Downloading and using the code

• خط مشی من در مورد اشتراک گذاری کد My policy on code-sharing

مفاهیم در یادگیری عمیق Concepts in deep learning

• شبکه عصبی مصنوعی چیست؟ What is an artificial neural network?

• مدل ها چگونه "یاد می گیرند" How models "learn"

• مدل ها چگونه "یاد می گیرند" How models "learn"

• نقش DL در علم و دانش The role of DL in science and knowledge

• نقش DL در علم و دانش The role of DL in science and knowledge

• اجرای آزمایش برای درک DL Running experiments to understand DL

• آیا «نورون‌های» مصنوعی مانند نورون‌های بیولوژیکی هستند؟ Are artificial "neurons" like biological neurons?

مفاهیم در یادگیری عمیق Concepts in deep learning

• شبکه عصبی مصنوعی چیست؟ What is an artificial neural network?

• اجرای آزمایش برای درک DL Running experiments to understand DL

• آیا «نورون‌های» مصنوعی مانند نورون‌های بیولوژیکی هستند؟ Are artificial "neurons" like biological neurons?

درباره آموزش پایتون About the Python tutorial

• آیا باید آموزش پایتون را تماشا کنید؟ Should you watch the Python tutorial?

• آیا باید آموزش پایتون را تماشا کنید؟ Should you watch the Python tutorial?

درباره آموزش پایتون About the Python tutorial

ریاضی، numpy، PyTorch Math, numpy, PyTorch

• PyTorch یا TensorFlow؟ PyTorch or TensorFlow?

• PyTorch یا TensorFlow؟ PyTorch or TensorFlow?

• معرفی این بخش Introduction to this section

• نظریه های طیفی در ریاضیات Spectral theories in mathematics

• اصطلاحات و انواع داده ها در ریاضیات و کامپیوتر Terms and datatypes in math and computers

• اصطلاحات و انواع داده ها در ریاضیات و کامپیوتر Terms and datatypes in math and computers

• تبدیل واقعیت به اعداد Converting reality to numbers

• انتقال وکتور و ماتریس Vector and matrix transpose

• OMG این محصول نقطه است! OMG it's the dot product!

• OMG این محصول نقطه است! OMG it's the dot product!

• ضرب ماتریس Matrix multiplication

• ضرب ماتریس Matrix multiplication

• سافت مکس Softmax

• سافت مکس Softmax

• لگاریتم ها Logarithms

• لگاریتم ها Logarithms

• آنتروپی و آنتروپی متقابل Entropy and cross-entropy

• آنتروپی و آنتروپی متقابل Entropy and cross-entropy

• حداقل/حداکثر و آرگمین/آرگمکس Min/max and argmin/argmax

• میانگین و واریانس Mean and variance

• نمونه گیری تصادفی و تنوع نمونه گیری Random sampling and sampling variability

• تصادفی بودن قابل تکرار از طریق بذر Reproducible randomness via seeding

• آزمون t The t-test

• آزمون t The t-test

• مشتقات: شهود و چند جمله ای Derivatives: intuition and polynomials

• مشتقات: شهود و چند جمله ای Derivatives: intuition and polynomials

• مشتقات حداقل ها را پیدا می کنند Derivatives find minima

• مشتقات حداقل ها را پیدا می کنند Derivatives find minima

• مشتقات: قوانین محصول و زنجیره Derivatives: product and chain rules

ریاضی، numpy، PyTorch Math, numpy, PyTorch

• معرفی این بخش Introduction to this section

• نظریه های طیفی در ریاضیات Spectral theories in mathematics

• تبدیل واقعیت به اعداد Converting reality to numbers

• انتقال وکتور و ماتریس Vector and matrix transpose

• حداقل/حداکثر و آرگمین/آرگمکس Min/max and argmin/argmax

• میانگین و واریانس Mean and variance

• نمونه گیری تصادفی و تنوع نمونه گیری Random sampling and sampling variability

• تصادفی بودن قابل تکرار از طریق بذر Reproducible randomness via seeding

• مشتقات: قوانین محصول و زنجیره Derivatives: product and chain rules

نزول گرادیان Gradient descent

• نمای کلی از شیب نزول Overview of gradient descent

• حداقل های محلی چطور؟ What about local minima?

• نزول گرادیان در 1 بعدی Gradient descent in 1D

• نزول گرادیان در 1 بعدی Gradient descent in 1D

• CodeChallenge: ارزش شروع تاسف بار CodeChallenge: unfortunate starting value

• CodeChallenge: ارزش شروع تاسف بار CodeChallenge: unfortunate starting value

• نزول گرادیان به صورت دو بعدی Gradient descent in 2D

• CodeChallenge: صعود شیب دوبعدی CodeChallenge: 2D gradient ascent

• آزمایشات پارامتریک روی g.d. Parametric experiments on g.d.

• CodeChallenge: نرخ یادگیری ثابت در مقابل پویا CodeChallenge: fixed vs. dynamic learning rate

• CodeChallenge: نرخ یادگیری ثابت در مقابل پویا CodeChallenge: fixed vs. dynamic learning rate

• ناپدید شدن و انفجار شیب Vanishing and exploding gradients

• مماس: تاریخچه ویرایش نوت بوک Tangent: Notebook revision history

نزول گرادیان Gradient descent

• نمای کلی از شیب نزول Overview of gradient descent

• حداقل های محلی چطور؟ What about local minima?

• نزول گرادیان به صورت دو بعدی Gradient descent in 2D

• CodeChallenge: صعود شیب دوبعدی CodeChallenge: 2D gradient ascent

• آزمایشات پارامتریک روی g.d. Parametric experiments on g.d.

• ناپدید شدن و انفجار شیب Vanishing and exploding gradients

• مماس: تاریخچه ویرایش نوت بوک Tangent: Notebook revision history

شبکه های عصبی مصنوعی (ANN) ANNs (Artificial Neural Networks)

• معماری پرسپترون و ANN The perceptron and ANN architecture

• معماری پرسپترون و ANN The perceptron and ANN architecture

• نمای هندسی شبکه های عصبی مصنوعی A geometric view of ANNs

• نمای هندسی شبکه های عصبی مصنوعی A geometric view of ANNs

• ANN ریاضی قسمت 1 (سرپایی رو به جلو) ANN math part 1 (forward prop)

• ANN ریاضی قسمت 2 (خطاها، ضرر، هزینه) ANN math part 2 (errors, loss, cost)

• ANN ریاضی قسمت 2 (خطاها، ضرر، هزینه) ANN math part 2 (errors, loss, cost)

• ANN ریاضی قسمت 3 (پشتیبان) ANN math part 3 (backprop)

• ANN ریاضی قسمت 3 (پشتیبان) ANN math part 3 (backprop)

• ANN برای رگرسیون ANN for regression

• CodeChallenge: شیب های رگرسیون را دستکاری کنید CodeChallenge: manipulate regression slopes

• CodeChallenge: شیب های رگرسیون را دستکاری کنید CodeChallenge: manipulate regression slopes

• ANN برای طبقه بندی qwerties ANN for classifying qwerties

• ANN برای طبقه بندی qwerties ANN for classifying qwerties

• مقایسه میزان یادگیری Learning rates comparison

• مقایسه میزان یادگیری Learning rates comparison

• ANN چند لایه Multilayer ANN

• راه حل های خطی برای مسائل خطی Linear solutions to linear problems

• راه حل های خطی برای مسائل خطی Linear solutions to linear problems

• چرا مدل های خطی چندلایه وجود ندارند؟ Why multilayer linear models don't exist

• چرا مدل های خطی چندلایه وجود ندارند؟ Why multilayer linear models don't exist

• ANN چند خروجی (مجموعه داده عنبیه) Multi-output ANN (iris dataset)

• ANN چند خروجی (مجموعه داده عنبیه) Multi-output ANN (iris dataset)

• CodeChallenge: qwerties بیشتر! CodeChallenge: more qwerties!

• CodeChallenge: qwerties بیشتر! CodeChallenge: more qwerties!

• مقایسه تعداد واحدهای پنهان Comparing the number of hidden units

• مقایسه تعداد واحدهای پنهان Comparing the number of hidden units

• عمق در مقابل وسعت: تعداد پارامترها Depth vs. breadth: number of parameters

• عمق در مقابل وسعت: تعداد پارامترها Depth vs. breadth: number of parameters

• تعریف مدل ها با استفاده از کلاس ترتیبی در مقابل Defining models using sequential vs. class

• تعریف مدل ها با استفاده از کلاس ترتیبی در مقابل Defining models using sequential vs. class

• عمق مدل در مقابل وسعت Model depth vs. breadth

• CodeChallenge: تبدیل ترتیبی به کلاس CodeChallenge: convert sequential to class

• تنوع نمایش های بصری ANN Diversity of ANN visual representations

• بازتاب: آیا مدل های DL هنوز قابل درک هستند؟ Reflection: Are DL models understandable yet?

شبکه های عصبی مصنوعی (ANN) ANNs (Artificial Neural Networks)

• ANN ریاضی قسمت 1 (سرپایی رو به جلو) ANN math part 1 (forward prop)

• ANN برای رگرسیون ANN for regression

• ANN چند لایه Multilayer ANN

• عمق مدل در مقابل وسعت Model depth vs. breadth

• CodeChallenge: تبدیل ترتیبی به کلاس CodeChallenge: convert sequential to class

• تنوع نمایش های بصری ANN Diversity of ANN visual representations

• بازتاب: آیا مدل های DL هنوز قابل درک هستند؟ Reflection: Are DL models understandable yet?

اضافه برازش و اعتبارسنجی متقابل Overfitting and cross-validation

• overfitting چیست و آیا آنقدر که می گویند بد است؟ What is overfitting and is it as bad as they say?

• overfitting چیست و آیا آنقدر که می گویند بد است؟ What is overfitting and is it as bad as they say?

• اعتبار سنجی متقابل Cross-validation

• اعتبار سنجی متقابل Cross-validation

• تعمیم Generalization

• تعمیم Generalization

• اعتبار سنجی متقابل -- جداسازی دستی Cross-validation -- manual separation

• اعتبار سنجی متقابل -- جداسازی دستی Cross-validation -- manual separation

• اعتبار متقابل -- scikitlearn Cross-validation -- scikitlearn

• اعتبار متقابل -- scikitlearn Cross-validation -- scikitlearn

• اعتبار سنجی متقابل -- DataLoader Cross-validation -- DataLoader

• تقسیم داده ها به قطار، برنامه نویس، تست Splitting data into train, devset, test

• اعتبار سنجی متقابل بر روی رگرسیون Cross-validation on regression

• اعتبار سنجی متقابل بر روی رگرسیون Cross-validation on regression

اضافه برازش و اعتبارسنجی متقابل Overfitting and cross-validation

• اعتبار سنجی متقابل -- DataLoader Cross-validation -- DataLoader

• تقسیم داده ها به قطار، برنامه نویس، تست Splitting data into train, devset, test

منظم سازی Regularization

• منظم سازی: مفهوم و روش ها Regularization: Concept and methods

• منظم سازی: مفهوم و روش ها Regularization: Concept and methods

• حالت های train() و eval(). train() and eval() modes

• حالت های train() و eval(). train() and eval() modes

• تنظیم ترک تحصیل Dropout regularization

• تنظیم ترک تحصیل در عمل Dropout regularization in practice

• تنظیم ترک تحصیل در عمل Dropout regularization in practice

• مثال انصراف 2 Dropout example 2

• مثال انصراف 2 Dropout example 2

• تنظیم وزن (L1/L2): ریاضی Weight regularization (L1/L2): math

• تنظیم وزن (L1/L2): ریاضی Weight regularization (L1/L2): math

• تنظیم L2 در عمل L2 regularization in practice

• تنظیم L1 در عمل L1 regularization in practice

• آموزش مینی بچ Training in mini-batches

• آموزش دسته ای در عمل Batch training in action

• اهمیت اندازه دسته های مساوی The importance of equal batch sizes

• CodeChallenge: اثرات اندازه کوچک دسته ای CodeChallenge: Effects of mini-batch size

• CodeChallenge: اثرات اندازه کوچک دسته ای CodeChallenge: Effects of mini-batch size

منظم سازی Regularization

• تنظیم ترک تحصیل Dropout regularization

• تنظیم L2 در عمل L2 regularization in practice

• تنظیم L1 در عمل L1 regularization in practice

• آموزش مینی بچ Training in mini-batches

• آموزش دسته ای در عمل Batch training in action

• اهمیت اندازه دسته های مساوی The importance of equal batch sizes

متاپارامترها (فعال سازی ها، بهینه سازها) Metaparameters (activations, optimizers)

• "متاپارامترها" چیست؟ What are "metaparameters"?

• مجموعه داده "کیفیت شراب". The "wine quality" dataset

• CodeChallenge: اندازه کوچک در مجموعه داده شراب CodeChallenge: Minibatch size in the wine dataset

• نرمال سازی داده ها Data normalization

• نرمال سازی داده ها Data normalization

• اهمیت نرمال سازی داده ها The importance of data normalization

• اهمیت نرمال سازی داده ها The importance of data normalization

• نرمال سازی دسته ای Batch normalization

• نرمال سازی دسته ای در عمل Batch normalization in practice

• نرمال سازی دسته ای در عمل Batch normalization in practice

• CodeChallenge: به صورت دسته ای، qwerties را عادی کنید CodeChallenge: Batch-normalize the qwerties

• CodeChallenge: به صورت دسته ای، qwerties را عادی کنید CodeChallenge: Batch-normalize the qwerties

• توابع فعال سازی Activation functions

• توابع فعال سازی Activation functions

• توابع فعال سازی در PyTorch Activation functions in PyTorch

• توابع فعال سازی در PyTorch Activation functions in PyTorch

• مقایسه توابع فعال سازی Activation functions comparison

• مقایسه توابع فعال سازی Activation functions comparison

• CodeChallenge: انواع relu را مقایسه کنید CodeChallenge: Compare relu variants

• CodeChallenge: قند را پیش بینی کنید CodeChallenge: Predict sugar

• CodeChallenge: قند را پیش بینی کنید CodeChallenge: Predict sugar

• توابع از دست دادن Loss functions

• توابع از دست دادن در PyTorch Loss functions in PyTorch

• توابع از دست دادن در PyTorch Loss functions in PyTorch

• تمرین بیشتر با ANN های چند خروجی More practice with multioutput ANNs

• بهینه سازها (مینی دسته، مومنتوم) Optimizers (minibatch, momentum)

• بهینه سازها (مینی دسته، مومنتوم) Optimizers (minibatch, momentum)

• SGD با حرکت SGD with momentum

• SGD با حرکت SGD with momentum

• بهینه سازها (RMSprop، Adam) Optimizers (RMSprop, Adam)

• مقایسه بهینه سازها Optimizers comparison

• CodeChallenge: بهینه سازها و... چیزی CodeChallenge: Optimizers and... something

• CodeChallenge: Adam با تنظیم L2 CodeChallenge: Adam with L2 regularization

• کاهش نرخ یادگیری Learning rate decay

• کاهش نرخ یادگیری Learning rate decay

• نحوه انتخاب متاپارامترهای مناسب How to pick the right metaparameters

متاپارامترها (فعال سازی ها، بهینه سازها) Metaparameters (activations, optimizers)

• "متاپارامترها" چیست؟ What are "metaparameters"?

• مجموعه داده "کیفیت شراب". The "wine quality" dataset

• CodeChallenge: اندازه کوچک در مجموعه داده شراب CodeChallenge: Minibatch size in the wine dataset

• نرمال سازی دسته ای Batch normalization

• CodeChallenge: انواع relu را مقایسه کنید CodeChallenge: Compare relu variants

• توابع از دست دادن Loss functions

• تمرین بیشتر با ANN های چند خروجی More practice with multioutput ANNs

• بهینه سازها (RMSprop، Adam) Optimizers (RMSprop, Adam)

• مقایسه بهینه سازها Optimizers comparison

• CodeChallenge: بهینه سازها و... چیزی CodeChallenge: Optimizers and... something

• CodeChallenge: Adam با تنظیم L2 CodeChallenge: Adam with L2 regularization

• نحوه انتخاب متاپارامترهای مناسب How to pick the right metaparameters

FFN (شبکه‌های پیش‌خور) FFNs (Feed-Forward Networks)

• شبکه های کاملا متصل و فید فوروارد چیست؟ What are fully-connected and feedforward networks?

• شبکه های کاملا متصل و فید فوروارد چیست؟ What are fully-connected and feedforward networks?

• مجموعه داده MNIST The MNIST dataset

• FFN برای طبقه بندی ارقام FFN to classify digits

• FFN برای طبقه بندی ارقام FFN to classify digits

• CodeChallenge: تصاویر باینریزه شده MNIST CodeChallenge: Binarized MNIST images

• CodeChallenge: عادی سازی داده ها CodeChallenge: Data normalization

• CodeChallenge: عادی سازی داده ها CodeChallenge: Data normalization

• توزیع وزن قبل و بعد از یادگیری Distributions of weights pre- and post-learning

• CodeChallenge: MNIST و وسعت در مقابل عمق CodeChallenge: MNIST and breadth vs. depth

• CodeChallenge: بهینه سازها و MNIST CodeChallenge: Optimizers and MNIST

• MNIST درهم Scrambled MNIST

• تغییر MNIST Shifted MNIST

• تغییر MNIST Shifted MNIST

• CodeChallenge: رمز و راز گمشده 7 CodeChallenge: The mystery of the missing 7

• CodeChallenge: رمز و راز گمشده 7 CodeChallenge: The mystery of the missing 7

• قضیه تقریب جهانی Universal approximation theorem

FFN (شبکه‌های پیش‌خور) FFNs (Feed-Forward Networks)

• مجموعه داده MNIST The MNIST dataset

• CodeChallenge: تصاویر باینریزه شده MNIST CodeChallenge: Binarized MNIST images

• توزیع وزن قبل و بعد از یادگیری Distributions of weights pre- and post-learning

• CodeChallenge: MNIST و وسعت در مقابل عمق CodeChallenge: MNIST and breadth vs. depth

• CodeChallenge: بهینه سازها و MNIST CodeChallenge: Optimizers and MNIST

• MNIST درهم Scrambled MNIST

• قضیه تقریب جهانی Universal approximation theorem

اطلاعات بیشتر More on data

• آناتومی مجموعه داده مشعل و بارگذار داده Anatomy of a torch dataset and dataloader

• اندازه داده و اندازه شبکه Data size and network size

• اندازه داده و اندازه شبکه Data size and network size

• CodeChallenge: داده های نامتعادل CodeChallenge: unbalanced data

• در مورد طرح های نامتعادل چه باید کرد؟ What to do about unbalanced designs?

• نمونه برداری بیش از حد داده ها در MNIST Data oversampling in MNIST

• افزایش نویز داده (با devset+test) Data noise augmentation (with devset+test)

• افزایش ویژگی داده ها Data feature augmentation

• افزایش ویژگی داده ها Data feature augmentation

• دریافت داده ها در colab Getting data into colab

• مدل های آموزش دیده را ذخیره و بارگذاری کنید Save and load trained models

• مدل های آموزش دیده را ذخیره و بارگذاری کنید Save and load trained models

• بهترین مدل را ذخیره کنید Save the best-performing model

• بهترین مدل را ذخیره کنید Save the best-performing model

• کجا می توان مجموعه داده های آنلاین را پیدا کرد Where to find online datasets

• کجا می توان مجموعه داده های آنلاین را پیدا کرد Where to find online datasets

اطلاعات بیشتر More on data

• آناتومی مجموعه داده مشعل و بارگذار داده Anatomy of a torch dataset and dataloader

• CodeChallenge: داده های نامتعادل CodeChallenge: unbalanced data

• در مورد طرح های نامتعادل چه باید کرد؟ What to do about unbalanced designs?

• نمونه برداری بیش از حد داده ها در MNIST Data oversampling in MNIST

• افزایش نویز داده (با devset+test) Data noise augmentation (with devset+test)

• دریافت داده ها در colab Getting data into colab

اندازه گیری عملکرد مدل Measuring model performance

• دو دیدگاه از جهان Two perspectives of the world

• دو دیدگاه از جهان Two perspectives of the world

• دقت، دقت، فراخوانی، F1 Accuracy, precision, recall, F1

• APRF در کد APRF in code

• مثال 1 APRF: کیفیت شراب APRF example 1: wine quality

• مثال 2 APRF: MNIST APRF example 2: MNIST

• CodeChallenge: MNIST با گروه های نابرابر CodeChallenge: MNIST with unequal groups

• CodeChallenge: MNIST با گروه های نابرابر CodeChallenge: MNIST with unequal groups

• زمان محاسبه Computation time

• عملکرد بهتر در آزمون نسبت به قطار؟ Better performance in test than train?

اندازه گیری عملکرد مدل Measuring model performance

• دقت، دقت، فراخوانی، F1 Accuracy, precision, recall, F1

• APRF در کد APRF in code

• مثال 1 APRF: کیفیت شراب APRF example 1: wine quality

• مثال 2 APRF: MNIST APRF example 2: MNIST

• زمان محاسبه Computation time

• عملکرد بهتر در آزمون نسبت به قطار؟ Better performance in test than train?

پروژه های نقطه عطف FFN FFN milestone projects

• پروژه 1: یک ماشین اضافه کردن پیچیده به صورت رایگان Project 1: A gratuitously complex adding machine

• پروژه 1: راه حل من Project 1: My solution

• پروژه 2: پیش بینی بیماری قلبی Project 2: Predicting heart disease

• پروژه 2: راه حل من Project 2: My solution

• پروژه 2: راه حل من Project 2: My solution

• پروژه 3: FFN برای درونیابی داده های گمشده Project 3: FFN for missing data interpolation

• پروژه 3: FFN برای درونیابی داده های گمشده Project 3: FFN for missing data interpolation

• پروژه 3: راه حل من Project 3: My solution

• پروژه 3: راه حل من Project 3: My solution

پروژه های نقطه عطف FFN FFN milestone projects

• پروژه 1: یک ماشین اضافه کردن پیچیده به صورت رایگان Project 1: A gratuitously complex adding machine

• پروژه 1: راه حل من Project 1: My solution

• پروژه 2: پیش بینی بیماری قلبی Project 2: Predicting heart disease

شروع وزن و بررسی Weight inits and investigations

• نسخه ی نمایشی شگفت انگیزی از مقداردهی اولیه وزن A surprising demo of weight initializations

• مقداردهی اولیه Xavier و Kaiming Xavier and Kaiming initializations

• CodeChallenge: وزن‌های تصادفی یکسان CodeChallenge: Identically random weights

• تغییرات وزنی مرتبط با یادگیری Learning-related changes in weights

شروع وزن و بررسی Weight inits and investigations

• توضیح اندازه های ماتریس وزن Explanation of weight matrix sizes

• توضیح اندازه های ماتریس وزن Explanation of weight matrix sizes

• نسخه ی نمایشی شگفت انگیزی از مقداردهی اولیه وزن A surprising demo of weight initializations

• تئوری: چرا و چگونه وزن ها را مقداردهی اولیه کنیم Theory: Why and how to initialize weights

• تئوری: چرا و چگونه وزن ها را مقداردهی اولیه کنیم Theory: Why and how to initialize weights

• CodeChallenge: واریانس وزن شروع می شود CodeChallenge: Weight variance inits

• CodeChallenge: واریانس وزن شروع می شود CodeChallenge: Weight variance inits

• مقداردهی اولیه Xavier و Kaiming Xavier and Kaiming initializations

• CodeChallenge: خاویر در مقابل کایمینگ CodeChallenge: Xavier vs. Kaiming

• CodeChallenge: خاویر در مقابل کایمینگ CodeChallenge: Xavier vs. Kaiming

• CodeChallenge: وزن‌های تصادفی یکسان CodeChallenge: Identically random weights

• انجماد وزنه ها در حین یادگیری Freezing weights during learning

• انجماد وزنه ها در حین یادگیری Freezing weights during learning

• تغییرات وزنی مرتبط با یادگیری Learning-related changes in weights

• از init های پیش فرض استفاده کنید یا خودتان را اعمال کنید؟ Use default inits or apply your own?

• از init های پیش فرض استفاده کنید یا خودتان را اعمال کنید؟ Use default inits or apply your own?

رمزگذارهای خودکار Autoencoders

• رمزگذارهای خودکار چیست و چه کاری انجام می دهند؟ What are autoencoders and what do they do?

• کد پنهان MNIST The latent code of MNIST

رمزگذارهای خودکار Autoencoders

• رمزگذارهای خودکار چیست و چه کاری انجام می دهند؟ What are autoencoders and what do they do?

• حذف نویز MNIST Denoising MNIST

• حذف نویز MNIST Denoising MNIST

• CodeChallenge: چند واحد؟ CodeChallenge: How many units?

• CodeChallenge: چند واحد؟ CodeChallenge: How many units?

• AE برای انسداد AEs for occlusion

• AE برای انسداد AEs for occlusion

• کد پنهان MNIST The latent code of MNIST

• رمزگذار خودکار با وزنه های گره خورده Autoencoder with tied weights

• رمزگذار خودکار با وزنه های گره خورده Autoencoder with tied weights

در حال اجرا مدل ها بر روی یک GPU Running models on a GPU

• پیاده سازی Implementation

در حال اجرا مدل ها بر روی یک GPU Running models on a GPU

• GPU چیست و چرا باید از آن استفاده کرد؟ What is a GPU and why use it?

• GPU چیست و چرا باید از آن استفاده کرد؟ What is a GPU and why use it?

• پیاده سازی Implementation

• CodeChallenge: آزمایشی را روی GPU اجرا کنید CodeChallenge: Run an experiment on the GPU

• CodeChallenge: آزمایشی را روی GPU اجرا کنید CodeChallenge: Run an experiment on the GPU

پیچیدگی و تحولات Convolution and transformations

• پیچیدگی: مفاهیم Convolution: concepts

• ویژگی نقشه ها و هسته های کانولوشن Feature maps and convolution kernels

• کلاس Conv2 در PyTorch The Conv2 class in PyTorch

• انتقال پیچیدگی Transpose convolution

• ایجاد و استفاده از DataLoader های سفارشی Creating and using custom DataLoaders

پیچیدگی و تحولات Convolution and transformations

• پیچیدگی: مفاهیم Convolution: concepts

• ویژگی نقشه ها و هسته های کانولوشن Feature maps and convolution kernels

• پیچیدگی در کد Convolution in code

• پیچیدگی در کد Convolution in code

• پارامترهای پیچیدگی (گام، بالشتک) Convolution parameters (stride, padding)

• پارامترهای پیچیدگی (گام، بالشتک) Convolution parameters (stride, padding)

• کلاس Conv2 در PyTorch The Conv2 class in PyTorch

• CodeChallenge: پارامترها را انتخاب کنید CodeChallenge: Choose the parameters

• CodeChallenge: پارامترها را انتخاب کنید CodeChallenge: Choose the parameters

• انتقال پیچیدگی Transpose convolution

• حداکثر/میانگین تجمیع Max/mean pooling

• حداکثر/میانگین تجمیع Max/mean pooling

• ادغام در PyTorch Pooling in PyTorch

• ادغام در PyTorch Pooling in PyTorch

• استخر گرفتن یا قدم زدن؟ To pool or to stride?

• استخر گرفتن یا قدم زدن؟ To pool or to stride?

• تصویر تبدیل می شود Image transforms

• تصویر تبدیل می شود Image transforms

• ایجاد و استفاده از DataLoader های سفارشی Creating and using custom DataLoaders

CNN ها را درک و طراحی کنید Understand and design CNNs

• معماری متعارف CNN The canonical CNN architecture

• CNN در MNIST تغییر یافته CNN on shifted MNIST

• تاری های گاوسی را طبقه بندی کنید Classify Gaussian blurs

• آیا رمزگذارهای خودکار گاوسی ها را تمیز می کنند؟ Do autoencoders clean Gaussians?

• CodeChallenge: توابع از دست دادن سفارشی CodeChallenge: Custom loss functions

• CodeChallenge: چقدر می توانید پایین بیایید؟ CodeChallenge: How low can you go?

• CodeChallenge: تعداد کانال های مختلف CodeChallenge: Varying number of channels

• خیلی احتمالات! چگونه یک CNN ایجاد کنیم؟ So many possibilities! How to create a CNN?

CNN ها را درک و طراحی کنید Understand and design CNNs

• معماری متعارف CNN The canonical CNN architecture

• CNN برای طبقه بندی ارقام MNIST CNN to classify MNIST digits

• CNN برای طبقه بندی ارقام MNIST CNN to classify MNIST digits

• CNN در MNIST تغییر یافته CNN on shifted MNIST

• تاری های گاوسی را طبقه بندی کنید Classify Gaussian blurs

• فعال سازی نقشه ویژگی را بررسی کنید Examine feature map activations

• فعال سازی نقشه ویژگی را بررسی کنید Examine feature map activations

• CodeChallenge: پارامترهای داخلی Softcode CodeChallenge: Softcode internal parameters

• CodeChallenge: پارامترهای داخلی Softcode CodeChallenge: Softcode internal parameters

• CodeChallenge: پهنای FC چقدر است؟ CodeChallenge: How wide the FC?

• CodeChallenge: پهنای FC چقدر است؟ CodeChallenge: How wide the FC?

• آیا رمزگذارهای خودکار گاوسی ها را تمیز می کنند؟ Do autoencoders clean Gaussians?

• CodeChallenge: AEs و Gaussians مسدود شده CodeChallenge: AEs and occluded Gaussians

• CodeChallenge: AEs و Gaussians مسدود شده CodeChallenge: AEs and occluded Gaussians

• CodeChallenge: توابع از دست دادن سفارشی CodeChallenge: Custom loss functions

• پارامترهای گاوسی را کشف کنید Discover the Gaussian parameters

• پارامترهای گاوسی را کشف کنید Discover the Gaussian parameters

• مجموعه داده EMNIST (تشخیص حروف) The EMNIST dataset (letter recognition)

• مجموعه داده EMNIST (تشخیص حروف) The EMNIST dataset (letter recognition)

• انصراف در CNN ها Dropout in CNNs

• انصراف در CNN ها Dropout in CNNs

• CodeChallenge: چقدر می توانید پایین بیایید؟ CodeChallenge: How low can you go?

• CodeChallenge: تعداد کانال های مختلف CodeChallenge: Varying number of channels

• خیلی احتمالات! چگونه یک CNN ایجاد کنیم؟ So many possibilities! How to create a CNN?

پروژه های مهم CNN CNN milestone projects

• پروژه 1: واردات و طبقه بندی CIFAR10 Project 1: Import and classify CIFAR10

• پروژه 3: FMNIST Project 3: FMNIST

پروژه های مهم CNN CNN milestone projects

• پروژه 1: واردات و طبقه بندی CIFAR10 Project 1: Import and classify CIFAR10

• پروژه 1: راه حل من Project 1: My solution

• پروژه 1: راه حل من Project 1: My solution

• پروژه 2: رمزگذار خودکار CIFAR Project 2: CIFAR-autoencoder

• پروژه 2: رمزگذار خودکار CIFAR Project 2: CIFAR-autoencoder

• پروژه 3: FMNIST Project 3: FMNIST

• پروژه 4: عملکردهای روان سنجی در CNN Project 4: Psychometric functions in CNNs

• پروژه 4: عملکردهای روان سنجی در CNN Project 4: Psychometric functions in CNNs

انتقال یادگیری Transfer learning

• یادگیری انتقالی: چه، چرا و چه زمانی؟ Transfer learning: What, why, and when?

• آموزش انتقال: MNIST -> FMNIST Transfer learning: MNIST -> FMNIST

• CodeChallenge: حروف به اعداد CodeChallenge: letters to numbers

• معماری های معروف CNN Famous CNN architectures

• انتقال یادگیری با ResNet-18 Transfer learning with ResNet-18

• پیش آموزش با رمزگذارهای خودکار Pretraining with autoencoders

انتقال یادگیری Transfer learning

• یادگیری انتقالی: چه، چرا و چه زمانی؟ Transfer learning: What, why, and when?

• آموزش انتقال: MNIST -> FMNIST Transfer learning: MNIST -> FMNIST

• CodeChallenge: حروف به اعداد CodeChallenge: letters to numbers

• معماری های معروف CNN Famous CNN architectures

• انتقال یادگیری با ResNet-18 Transfer learning with ResNet-18

• CodeChallenge: VGG-16 CodeChallenge: VGG-16

• CodeChallenge: VGG-16 CodeChallenge: VGG-16

• پیش آموزش با رمزگذارهای خودکار Pretraining with autoencoders

• CIFAR10 با مدل از پیش آموزش داده شده توسط رمزگذار خودکار CIFAR10 with autoencoder-pretrained model

• CIFAR10 با مدل از پیش آموزش داده شده توسط رمزگذار خودکار CIFAR10 with autoencoder-pretrained model

انتقال سبک Style transfer

• انتقال سبک چیست و چگونه کار می کند؟ What is style transfer and how does it work?

انتقال سبک Style transfer

• انتقال سبک چیست و چگونه کار می کند؟ What is style transfer and how does it work?

• ماتریس گرم (کوواریانس فعال سازی ویژگی) The Gram matrix (feature activation covariance)

• ماتریس گرم (کوواریانس فعال سازی ویژگی) The Gram matrix (feature activation covariance)

• الگوریتم انتقال سبک The style transfer algorithm

• الگوریتم انتقال سبک The style transfer algorithm

• انتقال وان جیغ Transferring the screaming bathtub

• انتقال وان جیغ Transferring the screaming bathtub

• CodeChallenge: انتقال سبک با AlexNet CodeChallenge: Style transfer with AlexNet

• CodeChallenge: انتقال سبک با AlexNet CodeChallenge: Style transfer with AlexNet

شبکه های متخاصم مولد Generative adversarial networks

• GAN خطی با MNIST Linear GAN with MNIST

• CodeChallenge: GAN خطی با FMNIST CodeChallenge: Linear GAN with FMNIST

• CNN GAN با گاوسی ها CNN GAN with Gaussians

• CNN GAN با FMNIST CNN GAN with FMNIST

• CodeChallenge: CNN GAN با CIFAR CodeChallenge: CNN GAN with CIFAR

شبکه های متخاصم مولد Generative adversarial networks

• گان: چه، چرا و چگونه GAN: What, why, and how

• گان: چه، چرا و چگونه GAN: What, why, and how

• GAN خطی با MNIST Linear GAN with MNIST

• CodeChallenge: GAN خطی با FMNIST CodeChallenge: Linear GAN with FMNIST

• CNN GAN با گاوسی ها CNN GAN with Gaussians

• CodeChallenge: گوسی ها با لایه های کمتر CodeChallenge: Gaussians with fewer layers

• CodeChallenge: گوسی ها با لایه های کمتر CodeChallenge: Gaussians with fewer layers

• CNN GAN با FMNIST CNN GAN with FMNIST

• CodeChallenge: CNN GAN با CIFAR CodeChallenge: CNN GAN with CIFAR

RNN (شبکه های عصبی مکرر) (و GRU/LSTM) RNNs (Recurrent Neural Networks) (and GRU/LSTM)

• CodeChallenge: برون یابی موج سینوسی CodeChallenge: sine wave extrapolation

• کلاس های LSTM و GRU The LSTM and GRU classes

• لورم اپیسوم Lorem ipsum

RNN (شبکه های عصبی مکرر) (و GRU/LSTM) RNNs (Recurrent Neural Networks) (and GRU/LSTM)

• استفاده از توالی در یادگیری عمیق Leveraging sequences in deep learning

• استفاده از توالی در یادگیری عمیق Leveraging sequences in deep learning

• نحوه کار RNN ها How RNNs work

• نحوه کار RNN ها How RNNs work

• کلاس RNN در PyTorch The RNN class in PyTorch

• کلاس RNN در PyTorch The RNN class in PyTorch

• پیش بینی توالی متناوب Predicting alternating sequences

• پیش بینی توالی متناوب Predicting alternating sequences

• CodeChallenge: برون یابی موج سینوسی CodeChallenge: sine wave extrapolation

• اطلاعات بیشتر در مورد RNN: حالت های پنهان، جاسازی ها More on RNNs: Hidden states, embeddings

• اطلاعات بیشتر در مورد RNN: حالت های پنهان، جاسازی ها More on RNNs: Hidden states, embeddings

• GRU و LSTM GRU and LSTM

• GRU و LSTM GRU and LSTM

• کلاس های LSTM و GRU The LSTM and GRU classes

• لورم اپیسوم Lorem ipsum

اخلاق یادگیری عمیق Ethics of deep learning

• آیا یادگیری عمیق شغل ما را خواهد گرفت؟ Will deep learning take our jobs?

• مسئولیت پذیری و ایجاد هوش مصنوعی اخلاقی Accountability and making ethical AI

اخلاق یادگیری عمیق Ethics of deep learning

• آیا هوش مصنوعی ما را نجات می دهد یا نابود می کند؟ Will AI save us or destroy us?

• آیا هوش مصنوعی ما را نجات می دهد یا نابود می کند؟ Will AI save us or destroy us?

• نمونه مطالعات موردی Example case studies

• نمونه مطالعات موردی Example case studies

• برخی دیگر از سناریوهای اخلاقی احتمالی Some other possible ethical scenarios

• برخی دیگر از سناریوهای اخلاقی احتمالی Some other possible ethical scenarios

• آیا یادگیری عمیق شغل ما را خواهد گرفت؟ Will deep learning take our jobs?

• مسئولیت پذیری و ایجاد هوش مصنوعی اخلاقی Accountability and making ethical AI

از اینجا به کجا برویم؟ Where to go from here?

• چگونه در یادگیری عمیق مبحث _X_ را یاد بگیریم؟ How to learn topic _X_ in deep learning?

از اینجا به کجا برویم؟ Where to go from here?

• چگونه در یادگیری عمیق مبحث _X_ را یاد بگیریم؟ How to learn topic _X_ in deep learning?

• نحوه خواندن مقالات DL آکادمیک How to read academic DL papers

• نحوه خواندن مقالات DL آکادمیک How to read academic DL papers

مقدمه پایتون: انواع داده Python intro: Data types

• چگونه از آموزش پایتون یاد بگیریم How to learn from the Python tutorial

• متغیرها Variables

• لیست ها (1 از 2) Lists (1 of 2)

• لیست ها (2 از 2) Lists (2 of 2)

• بولین ها Booleans

• لغت نامه ها Dictionaries

مقدمه پایتون: انواع داده Python intro: Data types

• چگونه از آموزش پایتون یاد بگیریم How to learn from the Python tutorial

• متغیرها Variables

• ریاضی و چاپ Math and printing

• ریاضی و چاپ Math and printing

• لیست ها (1 از 2) Lists (1 of 2)

• لیست ها (2 از 2) Lists (2 of 2)

• تاپل ها Tuples

• تاپل ها Tuples

• بولین ها Booleans

• لغت نامه ها Dictionaries

مقدمه پایتون: نمایه سازی، برش Python intro: Indexing, slicing

مقدمه پایتون: نمایه سازی، برش Python intro: Indexing, slicing

• نمایه سازی Indexing

• نمایه سازی Indexing

• برش دادن Slicing

• برش دادن Slicing

مقدمه پایتون: توابع Python intro: Functions

• ورودی ها و خروجی ها Inputs and outputs

• کتابخانه های پایتون (numpy) Python libraries (numpy)

• کتابخانه های پایتون (پاندا) Python libraries (pandas)

• ایجاد توابع Creating functions

• دامنه متغیر جهانی و محلی Global and local variable scopes

• کپی و ارجاع متغیرها Copies and referents of variables

مقدمه پایتون: توابع Python intro: Functions

• ورودی ها و خروجی ها Inputs and outputs

• کتابخانه های پایتون (numpy) Python libraries (numpy)

• کتابخانه های پایتون (پاندا) Python libraries (pandas)

• دریافت کمک در مورد توابع Getting help on functions

• دریافت کمک در مورد توابع Getting help on functions

• ایجاد توابع Creating functions

• دامنه متغیر جهانی و محلی Global and local variable scopes

• کپی و ارجاع متغیرها Copies and referents of variables

• کلاس ها و برنامه نویسی شی گرا Classes and object-oriented programming

• کلاس ها و برنامه نویسی شی گرا Classes and object-oriented programming

مقدمه پایتون: کنترل جریان Python intro: Flow control

• بیانیه های اگر-دیگر، قسمت 2 If-else statements, part 2

• برای حلقه ها For loops

• مقداردهی اولیه متغیرها Initializing variables

• حلقه های تک خطی (درک لیست) Single-line loops (list comprehension)

• در حالی که حلقه ها while loops

• پخش در numpy Broadcasting in numpy

• بررسی و مدیریت خطای عملکرد Function error checking and handling

مقدمه پایتون: کنترل جریان Python intro: Flow control

• اگر غیر از این اظهارات If-else statements

• اگر غیر از این اظهارات If-else statements

• بیانیه های اگر-دیگر، قسمت 2 If-else statements, part 2

• برای حلقه ها For loops

• شمارش و زیپ کنید Enumerate and zip

• شمارش و زیپ کنید Enumerate and zip

• ادامه هید Continue

• ادامه هید Continue

• مقداردهی اولیه متغیرها Initializing variables

• حلقه های تک خطی (درک لیست) Single-line loops (list comprehension)

• در حالی که حلقه ها while loops

• پخش در numpy Broadcasting in numpy

• بررسی و مدیریت خطای عملکرد Function error checking and handling

مقدمه پایتون: متن و نمودار Python intro: Text and plots

• چاپ و درون یابی رشته ای Printing and string interpolation

• زیباتر جلوه دادن نمودارها Making the graphs look nicer

• متولد دریا Seaborn

• تصاویر Images

مقدمه پایتون: متن و نمودار Python intro: Text and plots

• چاپ و درون یابی رشته ای Printing and string interpolation

• ترسیم نقاط و خطوط Plotting dots and lines

• ترسیم نقاط و خطوط Plotting dots and lines

• هندسه طرح فرعی Subplot geometry

• هندسه طرح فرعی Subplot geometry

• زیباتر جلوه دادن نمودارها Making the graphs look nicer

• متولد دریا Seaborn

• تصاویر Images

• نمودارها را با وضوح کم و بالا صادر کنید Export plots in low and high resolution

• نمودارها را با وضوح کم و بالا صادر کنید Export plots in low and high resolution

بخش پاداش Bonus section

• محتوای جایزه Bonus content

بخش پاداش Bonus section

• محتوای جایزه Bonus content