آموزش شیرجه‌ای عمیق در اقیانوس یادگیری عمیق با پایتورچ و تنسورفلو - آخرین آپدیت

سرفصل ها و درس ها

مقدمه دوره و مطالب دوره Introduction of the course and course material

• مقدمه دوره Introduction of the course

• مطالب دوره Course Material

• چگونه در این دوره موفق شویم How to succeed in this course

مقدمه‌ای بر گوگل کولب (Google Colab) Introduction to Google Colab

• مقدمه بخش Introduction of the section

• اتصال درایو و خواندن داده Drive mounting and data reading

• خواندن و نمایش تصاویر Reading and displaying images

• خواندن دیتاست‌های بیشتر Reading more datasets

• بارگذاری مطالب دوره در گوگل درایو و مشاهده سازماندهی دوره Uploading Course Material to Google drive and observing course organization

دوره فشرده پایتون Python crash course

• مقدمه بخش Introduction of the section

• عملیات حسابی با پایتون Arithmetic with python

• عملیات مقایسه‌ای و منطقی Comparison and logical operations

• عبارات شرطی Conditional Statements

• آرایه‌ها با نام‌پای (Numpy) قسمت اول Arrays with Numpy part01

• آرایه‌ها با نام‌پای (Numpy) قسمت دوم Arrays with Numpy part02

• آرایه‌ها با نام‌پای (Numpy) قسمت سوم Arrays with Numpy part03

• رسم و بصری‌سازی (Visualization) قسمت اول Plotting and Visualization part01

• رسم و بصری‌سازی (Visualization) قسمت دوم Plotting and Visualization part02

• رسم و بصری‌سازی (Visualization) قسمت سوم Plotting and Visualization part03

• رسم و بصری‌سازی (Visualization) قسمت چهارم Plotting and Visualization part04

• لیست‌ها در پایتون Lists in python

• حلقه For قسمت اول For loop part01

• حلقه For قسمت دوم For loop part02

• حلقه While while loop

• رشته‌ها در پایتون Strings in Python

• قالب‌بندی پرینت با رشته‌ها Print formatting with strings

• دیکشنری‌ها قسمت اول Dictionaries part01

• دیکشنری‌ها قسمت دوم Dictionaries part02

• سی‌بورن (Seaborn) قسمت اول Seaborn part01

• سی‌بورن (Seaborn) قسمت دوم Seaborn part02

• سی‌بورن (Seaborn) قسمت سوم Seaborn part03

• پانداس (Pandas) قسمت اول Pandas part01

• پانداس (Pandas) قسمت دوم Pandas part02

• پانداس (Pandas) قسمت سوم Pandas part03

• پانداس (Pandas) قسمت چهارم Pandas part04

• توابع در پایتون قسمت اول Functions in python part01

• توابع در پایتون قسمت دوم Functions in python part02

• کلاس‌ها در پایتون Classes in Python

• تاپل‌ها در پایتون Tuples in Python

• تابع لامبدا (Lambda) lambda function

• تابع مپ (Map) map function

• تابع ریدوس (Reduce) reduce function

• تابع فیلتر (Filter) filter function

• تابع زیپ (Zip) zip function

• تابع جوین (Join) join function

بخش‌های پیش‌نیاز Pre-requisites sections

• بخش پیش‌نیازها Pre-requisites section

پیش‌نیاز: پیش‌پردازش داده Pre-requisite : Data Preprocessing

• مقدمه بخش Introduction of the section

• نیاز به پیش‌پردازش داده Need of data preprocessing

• نرمال‌سازی داده و مقیاس‌بندی مین‌مکس (MinMax) Data Normalization and MinMax scaling

• پروژه ۰۱: نرمال‌سازی داده و مقیاس‌بندی مین‌مکس (MinMax) قسمت اول Project01 : Data Normalization and MinMax scaling part01

• پروژه ۰۱: نرمال‌سازی داده و مقیاس‌بندی مین‌مکس (MinMax) قسمت دوم Project01 : Data Normalization and MinMax scaling part02

• استانداردسازی داده Data Standardization

• پروژه ۰۲: استانداردسازی داده Project02 : Data Standardization

• پروژه ۰۳: کار با مقادیر از دست رفته Project03 : Dealing with missing values

• پروژه ۰۴: کار با ویژگی‌های دسته‌ای (Categorical) Project04 : Dealing with categorical features

• پروژه ۰۵: مهندسی ویژگی (Feature Engineering) Project05 : Feature Engineering

• پروژه ۰۶: مهندسی ویژگی با روش پنجره Project06 : Feature Engineering by window method

پیش‌نیاز: تحلیل رگرسیون Pre-requisite : Regression Analysis

• مقدمه بخش Introduction of the section

• ریشه رگرسیون Origin of the Regression

• تعریف رگرسیون Definition of Regression

• الزامات از رگرسیون Requirement from Regression

• رگرسیون خطی ساده Simple Linear Regression

• رگرسیون خطی چندگانه Multiple Linear Regression

• مقادیر هدف و پیش‌بینی شده Target and predicted values

• تابع زیان (Loss function) Loss function

• روش حداقل مربعات Least square method

• مثال عددی از روش حداقل مربعات Numerical example on least square method

• معیارهای ارزیابی برای رگرسیون Evaluation metrics for regression

• پروژه ۰۱: رگرسیون ساده قسمت اول Project01 : simple regression part01

• پروژه ۰۱: رگرسیون ساده قسمت دوم Project01 : simple regression part02

• پروژه ۰۱: رگرسیون ساده قسمت سوم Project01 : simple regression part03

• پروژه ۰۲: رگرسیون چندگانه قسمت اول Project02 : multiple regression part01

• پروژه ۰۲: رگرسیون چندگانه قسمت دوم Project02 : multiple regression part02

• پروژه ۰۲: رگرسیون چندگانه قسمت سوم Project02 : multiple regression part03

• پروژه ۰۳: رگرسیون چندگانه Project03 : multiple regression

• رگرسیون با گرادیان کاهشی (Gradient Descent) Regression by Gradient descent

• پروژه ۰۴: گرادیان کاهشی بر رگرسیون خطی ساده Project04 : Gradient descent on simple linear regression

• پروژه ۰۵: گرادیان کاهشی بر رگرسیون خطی چندگانه Project05 : Gradient descent on multiple linear regression

• رگرسیون چندجمله‌ای (Polynomial) Polynomial Regression

• پروژه ۰۶: رگرسیون چندجمله‌ای (Polynomial) Project06 : Polynomial Regression

• اعتبار سنجی متقابل (Cross-validation) Cross-validation

• پروژه ۰۷: اعتبار سنجی متقابل (Cross-validation) Project07 : Cross-validation

• موازنه بایاس-واریانس (Bias-Variance Tradeoff) (بیش‌برازش و کم‌برازش) Bias-variance tradeoff ( Overfitting and underfitting )

• مفهوم رگولاریزاسیون (Regularization) Concept of regularization

• رگرسیون ریج (Ridge Regression) یا رگولاریزاسیون L2 Ridge regression OR L2 regularization

• رگرسیون لاسو (Lasso Regression) یا رگولاریزاسیون L1 Lasso regression OR L1 regularization

• مقایسه رگولاریزاسیون ریج و لاسو Comparing Ridge and Lasso regularization

• رگولاریزاسیون الاستیک نت (Elastic Net) Elastic Net regularization

• پروژه ۰۸: رگولاریزاسیون (Regularization) Project08 : Regularization

• اعتبار سنجی متقابل جستجوی شبکه‌ای (Grid Search Cross-Validation) Grid search cross-validation

• پروژه ۰۹: جستجوی شبکه‌ای CV Project09 : Grid search CV

پیش‌نیاز: رگرسیون لجستیک (Logistic Regression) Pre-requisite : Logistic Regression

• مقدمه بخش Introduction of the section

• مفهوم پایه Basic concept

• محدودیت‌های مدل‌های رگرسیون Limitations of regression models

• تبدیل رگرسیون خطی به رگرسیون لجستیک Transforming Linear regression into logistic regression

• پروژه ۰۱: به دست آوردن احتمالات کلاس قسمت اول Project01 : Getting class probabilities part01

• پروژه ۰۱: قسمت دوم Project01 : part02

• تابع زیان برای رگرسیون لجستیک Loss function for logistic regression

• ارزیابی مدل – ماتریس درهم‌ریختگی (Confusion Matrix) Model evaluation - Confusion Matrix

• دقت (Accuracy)، صحت (Precision)، بازیابی (Recall)، امتیاز F1 (F1-score) Accuracy, precision, recall, f1-score

• منحنی‌های ROC و سطح زیر ROC ROC curves and area under ROC

• پروژه ۰۲: ارزیابی مدل رگرسیون لجستیک Project02 : Evaluating Logistic Regression Model

• پروژه ۰۳: مدل رگرسیون لجستیک با اعتبارسنجی متقابل Project03 : Logistic Regression Model with cross-validation

• پروژه ۰۴: طبقه‌بندی چندکلاسه (Multiclass) با رگرسیون لجستیک Project04 : Multiclass classification with logistic regression

• پروژه ۰۵: رگرسیون لجستیک بر روی داده‌های چالش‌برانگیز قسمت اول Project05 : Logistic Regression on challenging data part01

• پروژه ۰۵: رگرسیون لجستیک بر روی داده‌های چالش‌برانگیز قسمت دوم Project05 : Logistic Regression on challenging data part02

• پروژه ۰۵: رگرسیون لجستیک بر روی داده‌های چالش‌برانگیز قسمت سوم Project05 : Logistic Regression on challenging data part03

• جستجوی شبکه‌ای CV Grid search CV

مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق Introduction to Neural Networks and Deep Learning

• مقدمه بخش Introduction of the section

• پرسپترون (Perceptron) The perceptron

• ویژگی‌ها، وزن‌ها و تابع فعال‌سازی Features, weights and Activation function

• یادگیری شبکه عصبی Learning of Neural Network

• ظهور یادگیری عمیق Rise of deep learning

توابع فعال‌سازی Activation Functions

• مقدمه بخش Introduction of the section

• طبقه‌بندی با پرسپترون قسمت اول Classification by perceptron part01

• طبقه‌بندی با پرسپترون قسمت دوم Classification by perceptron part02

• چرا به توابع فعال‌سازی نیاز داریم Why we need Activation functions

• افزودن تابع فعال‌سازی به شبکه عصبی Adding Activation function to Neural Network

• سیگموئید (Sigmoid) به عنوان تابع فعال‌سازی Sigmoid as activation function

• تابع تانژانت هذلولی (Hyperbolic Tangent) Hyperbolic tangent function

• توابع ReLU و Leaky ReLU ReLU and Leaky ReLU functions

تابع زیان (Loss Function) Loss Function

• مقدمه بخش Introduction of the section

• تابع زیان MSE MSE Loss function

• تابع زیان کراس انتروپی (Cross Entropy) Cross Entropy Loss function

• تابع سافت‌مکس (Softmax) Softmax function

پس‌انتشار (Back Propagation) Back Propagation

• مقدمه بخش Introduction of the section

• انتشار رو به جلو (Forward Propagation) Forward Propagation

• پس‌انتشار قسمت اول Back propagation part01

• پس‌انتشار قسمت دوم Back propagation part02

بهینه‌سازها (Optimizers) Optimizers

• مقدمه بخش Introduction of the section

• گرادیان کاهشی (Gradient Descent) Gradient descent

• گرادیان کاهشی تصادفی (Stochastic Gradient Descent - SGD) Stochastic Gradient descent ( SGD )

• میانگین‌های با وزن نمایی (Exponentially Weighted Averages) Exponentially weighted averages

• مفهوم تکانه (Momentum) Concept of momentum

• آر‌ام‌اس پراپ (RMSProp) RMS Prop

• بهینه‌ساز اَدَم (ADAM Optimizer) ADAM Optimizer

شبکه‌های عصبی برای رگرسیون با پای‌تورچ (Pytorch) Neural Networks for Regression with Pytorch

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شبکه عصبی برای رگرسیون ساده قسمت اول Project01 : Neural Network for simple regression part01

• پروژه ۰۱: شبکه عصبی برای رگرسیون ساده قسمت دوم Project01 : Neural Network for simple regression part02

• پروژه ۰۲: شبکه عصبی برای رگرسیون چندگانه Project02 : Neural Network for multiple regression

• ایجاد شبکه عصبی با استفاده از کلاس Creating Neural Network using class

شبکه‌های عصبی برای رگرسیون با تنسورفلو (TensorFlow) Neural Networks for Regression with TensorFlow

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شبکه عصبی برای رگرسیون ساده Project01 : Neural Network for simple regression

• پروژه ۰۲: شبکه عصبی برای رگرسیون چندگانه Project02 : Neural Network for multiple regression

شبکه عصبی برای طبقه‌بندی با پای‌تورچ (Pytorch) Neural Network for classification with Pytorch

• مقدمه بخش Introduction of the section

• اپوک (Epoch)، اندازه بچ (Batchsize) و تکرار (Iteration) Epoch, Batchsize and Iteration

• پروژه ۰۰: دیتاست تنسور و دیتا لودر تنسور Project00_Tensor dataset and tensor dataloader

• آماده‌سازی کد برای دیتاست آیریس (Iris) Code preparation for iris dataset

• پروژه ۰۱: شبکه عصبی برای طبقه‌بندی داده‌های آیریس Project01 : Neural Network for iris data classification

• آماده‌سازی کد برای دیتاست MNIST Code preparation for MNIST Dataset

• پروژه ۰۲: شبکه عصبی برای طبقه‌بندی MNIST قسمت اول Project02 : Neural Network for MNIST classification part01

• پروژه ۰۱: شبکه عصبی برای رگرسیون ساده قسمت دوم Project01 : Neural Network for simple regression part02

• ذخیره و بارگذاری مدل آموزش‌دیده Save and load the trained model

• آماده‌سازی کد برای تصاویر سفارشی Code Preparation for custom images

• پروژه ۰۳: شبکه عصبی برای طبقه‌بندی تصاویر سفارشی Project03 : Neural Network for custom images classification

• آماده‌سازی کد برای دیتاست تشخیص فعالیت‌های انسانی Code preparation for human action recognition dataset

• پروژه ۰۴: شبکه عصبی برای تشخیص فعالیت‌های انسانی Project04 : Neural Network for human action recognition

• پروژه ۰۵: شبکه عصبی بر روی دیتاست مهندسی ویژگی (Feature Engineered) Project05 : Neural Network on Feature Engineered dataset

شبکه عصبی برای طبقه‌بندی با تنسورفلو (TensorFlow) Neural Network for classification with TensorFlow

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شبکه عصبی برای طبقه‌بندی داده‌های آیریس (Iris) Project01 : Neural Network for iris data classification

• پروژه ۰۲: شبکه عصبی برای طبقه‌بندی داده‌های MNIST Project02: Neural Network for MNIST data classification

• پروژه ۰۳: شبکه عصبی برای طبقه‌بندی تصاویر سفارشی Project03 : Neural Network for custom images classification

رگولاریزاسیون دراپ‌اوت (Dropout) و نرمال‌سازی بچ (Batch Normalization) Dropout Regularization and Batch Normalization

• مقدمه بخش Introduction of the section

• رگولاریزاسیون دراپ‌اوت (Dropout) Dropout Regularization

• معرفی دیتاست WESAD Introducing WESAD Dataset

• پروژه ۰۱: رگولاریزاسیون دراپ‌اوت (Dropout) Project01 : Dropout Regularization

• پروژه ۰۲: رگولاریزاسیون دراپ‌اوت (Dropout) Project02 : Dropout Regularization

• نرمال‌سازی بچ (Batch Normalization) Batch Normalization

• پروژه ۰۳: نرمال‌سازی بچ (Batch Normalization) Project03 : Batch Normalization

• پروژه ۰۴: نرمال‌سازی بچ (Batch Normalization) Project04 : Batch Normalization

ایجاد تابع زیان (Loss Function) سفارشی Creating Custom Loss Function

• مقدمه بخش Introduction of the section

• ایجاد تابع زیان سفارشی با پای‌تورچ (Pytorch) Creating custom loss function with Pytorch

• ایجاد تابع زیان سفارشی با تنسورفلو (TensorFlow) Creating custom loss function with TensorFlow

زمان‌بندی نرخ یادگیری (Learning Rate Scheduling) Scheduling Learning Rate

• مقدمه بخش Introduction of the section

• زمان‌بندی نرخ یادگیری با پای‌تورچ (Pytorch) Scheduling Learning Rate with Pytorch

• زمان‌بندی نرخ یادگیری با تنسورفلو (TensorFlow) Scheduling Learning Rate with TensorFlow

ایجاد لایه سفارشی Creating Custom Layer

• مقدمه بخش Introduction of the section

• ایجاد لایه سفارشی با پای‌تورچ (Pytorch) Creating Custom Layer with Pytorch

• ایجاد لایه سفارشی با تنسورفلو (TensorFlow) Creating Custom Layer with TensorFlow

شبکه عصبی کانولوشنی (CNN) با پای‌تورچ (Pytorch) Convolutional Neural Network with Pytorch

• مقدمه بخش Introduction of the section

• معماری CNN و عملیات اصلی CNN Architecture and main operations

• کانولوشن ۲ بعدی 2D Convolution

• شکل‌های نگاشت ویژگی (Feature Maps) پس از کانولوشن Shapes of Feature Maps after convolution

• پولینگ میانگین (Average) و حداکثر (Maximum) Average and Maximum pooling

• پولینگ تا طبقه‌بندی Pooling to classification

• پروژه ۰۰: شکل‌های CNN Project00 : CNN Shapes

• پروژه ۰۱: CNN برای طبقه‌بندی MNIST قسمت اول Project01 : CNN for MNIST Classification part01

• پروژه ۰۱: CNN برای طبقه‌بندی MNIST قسمت دوم Project01 : CNN for MNIST Classification part02

• یک لایه خطی Lazy کارآمد An Efficient Lazy Linear layer

• پروژه ۰۲: CNN برای طبقه‌بندی تصاویر سفارشی Project02 : CNN for custom images classification

• یادگیری انتقالی (Transfer Learning) Transfer Learning

• پروژه ۰۳: یادگیری انتقالی با ResNet-18 Project03 : Transfer Learning with ResNet-18

• پروژه ۰۳: یادگیری انتقالی با VGG-16 Project03 : Transfer Learning with VGG-16

شبکه عصبی کانولوشنی (CNN) با تنسورفلو (TensorFlow) Convolutional Neural Network with TensorFlow

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شکل‌های CNN Project01 : CNN Shapes

• پروژه ۰۲: CNN برای طبقه‌بندی تصاویر سفارشی Project02 : CNN for custom images classification

• پروژه ۰۳: یادگیری انتقالی (Transfer Learning) Project03 : Transfer Learning

تنظیم معیار توقف زودهنگام (Early Stopping Criterion) Setting Early Stopping Criterion

• مقدمه بخش Introduction of the section

• معیار توقف قسمت اول Stopping Criterion Part01

• معیار توقف قسمت دوم Stopping Criterion Part02

• پروژه ۰۱: معیار توقف زودهنگام با پای‌تورچ (Pytorch) Project01 : Early Stopping Criterion with Pytorch

• پروژه ۰۲: معیار توقف زودهنگام با تنسورفلو (TensorFlow) Project02 : Early Stopping Criterion with TensorFlow

شبکه‌های عصبی بازگشتی (RNN) با پای‌تورچ (Pytorch) Recurrent Neural Networks ( RNN ) with Pytorch

• مقدمه بخش Introduction of the section

• چرا به RNN نیاز داریم Why we need RNN

• داده‌های ترتیبی (Sequential Data) Sequential Data

• از ANN به RNN ANN to RNN

• پس‌انتشار در طول زمان Back Propagation Through time

• شبکه حافظه بلند مدت کوتاه (Long Short-term Memory - LSTM) Long Short-term Memory ( LSTM ) Network

• دروازه‌های LSTM LSTM Gates

• پروژه ۰۱: شکل‌های LSTM Project01 : LSTM Shapes

• پروژه ۰۲: مبانی LSTM Project02 : LSTM Basics

• مفهوم اندازه بچ (Batchsize)، طول دنباله (Sequence Length) و بعد ویژگی (Feature Dimension) Concept of batchsize, sequence length and feature dimension

• پروژه ۰۳: درون‌یابی و برون‌یابی با LSTM Project03 : Interpolation and extrapolation with LSTM

• پروژه ۰۴: طبقه‌بندی سری‌های زمانی با LSTM Project04 : Time series classification with LSTM

• پروژه ۰۵: طبقه‌بندی سری‌های زمانی چند متغیره با LSTM قسمت اول Project05 : Multivariate Time series classification with LSTM part01

• پروژه ۰۵: طبقه‌بندی سری‌های زمانی چند متغیره با LSTM قسمت دوم Project05 : Multivariate Time series classification with LSTM part02

LSTM با تنسورفلو (TensorFlow) LSTM with TensorFlow

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شکل‌های LSTM Project01 : LSTM Shapes

• پروژه ۰۲: پیش‌بینی سری‌های زمانی با LSTM Project02 : LSTM Time series prediction

• طبقه‌بندی MNIST با LSTM MNIST Classification with LSTM

• پروژه ۰۳: طبقه‌بندی MNIST با LSTM قسمت اول Project03 : MNIST Classification with LSTM part01

• پروژه ۰۳: طبقه‌بندی MNIST با LSTM قسمت دوم Project03 : MNIST Classification with LSTM part02

• طبقه‌بندی متن Text Classification

• پروژه ۰۴: پیش‌پردازش متن Project04 : Text preprocessing

• پروژه ۰۵: طبقه‌بندی متن با LSTM Project05 : Text Classification with LSTM

LSTM دوطرفه (Bidirectional) با تنسورفلو (TensorFlow) Bidirectional LSTM with TensorFlow

• مقدمه بخش Introduction of the section

• عملکرد LSTM دوطرفه (Bidirectional) Working of Bidirectional LSTM

• پروژه ۰۱: شکل‌های LSTM دوطرفه (Bidirectional) Project01 : Shapes of Bidirectional LSTM

• پروژه ۰۲: LSTM دوطرفه (Bidirectional) برای طبقه‌بندی داده‌های MNIST Project02 : Bidirectional LSTM for MNIST data classification

• LSTM دوطرفه دوقلو برای طبقه‌بندی تصویر Dual Bidirectional LSTM for Image Classification

• پروژه ۰۳: LSTM دوطرفه دوقلو برای طبقه‌بندی MNIST Project03 : Dual Bidirectional LSTM for MNIST Classification

LSTM دوطرفه (Bidirectional) با پای‌تورچ (Pytorch) Bidirectional LSTM with Pytorch

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شکل‌های LSTM دوطرفه (Bidirectional) Project01 : Shapes of bidirectional LSTM

• پروژه ۰۲: LSTM دوطرفه (Bidirectional) برای طبقه‌بندی سری‌های زمانی Project02 : Bidirectional LSTM for time series classification

CNN تک بعدی (1D) با پای‌تورچ (Pytorch) One Dimensional ( 1D ) CNN with Pytorch

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شکل‌های 1D CNN Project01 : 1DCNN Shapes

• پروژه ۰۱: 1D CNN برای طبقه‌بندی سری‌های زمانی تک‌متغیره Project01 : 1DCNN for univariate time series classification

• پروژه ۰۲: 1D CNN برای طبقه‌بندی سری‌های زمانی چندمتغیره Project02 : 1DCNN for multivariate time series classification

CNN تک بعدی (1D) با تنسورفلو (TensorFlow) One Dimensional ( 1D ) CNN with Tensor Flow

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شکل‌های 1D CNN Project01 : IDCNN Shapes

• پروژه ۰۲: 1D CNN برای طبقه‌بندی سری‌های زمانی چندمتغیره Project02 : 1DCNN for Multivariate time series classification

اتوانکدرها (Autoencoders) Autoencoders

• مقدمه بخش Introduction of the section

• معماری اتوانکدر (Autoencoder) Architecture of Autoencoder

• کاربردهای اتوانکدر (Autoencoder) Applications of Autoencoder

• پروژه ۰۱: اتوانکدر (Autoencoder) به عنوان حذف نویز تصویر Project01 : Autoencoder as image noise removal

• پروژه ۰۲: اتوانکدر (Autoencoder) به عنوان حذف انسداد تصویر Project02 : Autoencoder as image occlusion removal

• پروژه ۰۳: اتوانکدر (Autoencoder) به عنوان طبقه‌بند تصویر Project03 : Autoencoder as image classifier

اتوانکدر CNN CNN Autoencoder

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شکل‌های اتوانکدر CNN Project01 : CNN Autoencoder shapes

• پروژه ۰۲: بازسازی تصویر و طبقه‌بندی با اتوانکدر CNN Project02 : Image reconstruction and classification with CNN Autoencoder

اتوانکدر LSTM LSTM Autoencoder

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شکل‌های اتوانکدر LSTM Project01 : LSTM Autoencoder shapes

• پروژه ۰۲: اتوانکدر LSTM برای بازسازی موج سینوسی قسمت اول Project02 : LSTM Autoencoder for Sine Wave reconstruction part01

• پروژه ۰۲: اتوانکدر LSTM برای بازسازی موج سینوسی قسمت دوم Project02 : LSTM Autoencoder for Sine Wave reconstruction part02

• پروژه ۰۳: اتوانکدر LSTM برای بازسازی موج دندان‌اره‌ای Project03 : LSTM Autoencoder for Sawtooth Wave reconstruction

اتوانکدر واریانس (VAE) Variational Autoencoder (VAE)

• مقدمه‌ای بر VAE Introduction to VAE

• پروژه ۰۱: VAE مبتنی بر لایه‌های کاملاً متصل Project01 : Fully connected layers based VAE

• پروژه ۰۲: شکل‌های VAE کانولوشنی (CNN VAE) Project02 : CNN VAE Shapes

• پروژه ۰۳: VAE کانولوشنی (CNN VAE) برای بازتولید تصاویر MNIST از نویز Project03 : CNN VAE for Regenerating MNIST Images from Noise

شبکه مولد رقابتی (GAN) Generative Adversarial Network ( GAN )

• مقدمه بخش Introduction of the section

• مدل‌های تمایزدهنده و مولد Discriminative and Generative Models

• آموزش GAN Training of GAN

• پروژه ۰۱: GAN برای بازتولید داده‌های MNIST Project01 : GAN for MNIST data regeneration

GAN کانولوشنی عمیق (DCGAN) Deep Convolutional ( DC ) GAN

• شکل‌های DCGAN Shapes of DCGAN

• پروژه ۰۱: DCGAN بر روی داده‌های MNIST Project01 : DCGAN on MNIST data

• پروژه ۰۲: DCGAN برای تصاویر ۶۴x۶۴ Project02 : DCGAN for 64 x 64 images

ترانسفورمرها (Transformers) Transformers

• مقدمه‌ای بر بخش‌های ترانسفورمر (Transformer) Introduction to Transformer sections

یادگیری انتقالی با ترانسفورمر NLP Transfer learning with NLP Transformer

• مقدمه بخش Introduction of the section

• پروژه ۰۱: تحلیل احساسات (Sentiment Analysis) Project01 : Sentiment Analysis

• پروژه ۰۲: تولید متن Project02 : Text Generation

• پروژه ۰۳: مدل‌سازی زبان پوشانده شده (Masked Language Modeling) Project03 : Masked language Modeling

• پروژه ۰۴: خلاصه‌سازی متن Project04 : Text Summarization

• پروژه ۰۵: ترجمه ماشینی Project05 : Machine Translation

• پروژه ۰۶: پاسخ‌گویی به سؤال Project06 : Question Answering

معماری ترانسفورمر (Transformer) Transformer Architecture

• بلوک‌های سازنده اصلی ترانسفورمر (Transformer) Fundamental Building Blocks of Transformer

• انکدر (Encoder) و دکدر (Decoder) Encoder and decoder

• کدگذاری موقعیتی (Positional Encoding) Positional encoding

• مکانیسم توجه (Attention Mechanism) Attention Mechanism

تنظیم دقیق ترانسفورمر NLP Fine Tuning NLP Transformer

• مقدمه بخش Introduction of the section

• پروژه ۰۱: مدل و توکن‌سازی (Tokenization) Project01 : Model and Tokenization

• پروژه ۰۲: تنظیم دقیق ترانسفورمر (Transformer) برای تحلیل احساسات Project02 : Fine tune transformer for sentiment analysis

• پروژه ۰۳: تنظیم دقیق ترانسفورمر (Transformer) بر روی دیتاست سفارشی Project03 : Fine tune transformer on custom dataset

ترانسفورمر بینایی (Vision Transformer) و اتوانکدر پوشانده شده (Masked Autoencoder) Vision Transformer and Masked Autoencoder

• مقدمه بخش Introduction of the section

• پروژه ۰۱: تنظیم دقیق ترانسفورمر بینایی (ViT) بر روی دیتاست CIFAR-10 Project01 : Fine tune Vision Transformer ( ViT ) on CIFAR-10 dataset

• پروژه ۰۲: تنظیم دقیق ترانسفورمر بینایی (ViT) بر روی دیتاست سفارشی Project02 : Fine tune Vision Transformer ( ViT ) on Custom dataset

• اتوانکدرهای پوشانده شده (Masked Autoencoders) Masked Autoencoders

• پروژه ۰۳: اتوانکدر پوشانده شده (MAE) بر روی دیتاست CIFAR-10 Project03 : Masked Autoencoder ( MAE ) on CIFAR-10 dataset

• پروژه ۰۴: اتوانکدر پوشانده شده (MAE) بر روی دیتاست سفارشی Project04 : Masked Autoencoder ( MAE ) on Custom dataset

ترانسفورمر سری زمانی (Time Series Transformer) Time Series Transformer

• مقدمه بخش Introduction of the section

• پروژه ۰۱: شکل‌های انکدر (Encoder) Project01 : Shapes of Encoder

• پروژه ۰۲: طبقه‌بندی سری زمانی Project02 : Time series classification

• پروژه ۰۳: شکل‌های ترانسفورمر سری زمانی Project03 : Time Series Transformer Shapes

• پروژه ۰۴: بازسازی سری زمانی با استفاده از ترانسفورمر سری زمانی Project04 : Time series reconstruction using time series transformer

انتقال سبک عصبی (Neural Style Transfer) Neural Style Transfer

• مقدمه‌ای بر انتقال سبک عصبی (Neural Style Transfer) Introduction to Neural Style Transfer

• پروژه ۰۱: انتقال سبک عصبی با VGG-16 Project01 : Neural Style Transfer with VGG-16

• پروژه ۰۲: انتقال سبک عصبی با AlexNet Project02 : Neural Style Transfer with AlexNet

یادگیری ماشین بدون نظارت (یادگیری تکمیلی) Unsupervised Machine Learning ( Additional Learning )

• مقدمه‌ای بر بخش‌های یادگیری ماشین بدون نظارت Introduction to unsupervised machine learning sections

خوشه‌بندی کی-مینز (K-means Clustering) K-means Clustering

• مقدمه بخش Introduction of the section

• تعریف، شهود و مراحل خوشه‌بندی کی-مینز (K-means Clustering) Definition, Intuition and steps of K-mean clustering

• الگوریتم کی-مینز در یک بُعد (مثال عددی) K-mean algorithm in one-D ( Numerical Example )

• الگوریتم کی-مینز در ۲ بُعد (مثال عددی) K-means algorithm in 2D ( Numerical Example )

• تابع هدف الگوریتم کی-مینز Objective function of K-mean algorithm

• انتخاب خوشه‌های بهینه (روش آرنج - Elbow Method) Selecting Optimal Clusters ( Elbow Method )

• ارزیابی خوشه‌بندی کی-مینز Evaluating K-means clustering

• پروژه ۰۱: خوشه‌بندی کی-مینز قسمت اول Project01 : K-means Clustering part01

• پروژه ۰۱: خوشه‌بندی کی-مینز قسمت دوم Project01 : K-means Clustering part02

• پروژه ۰۱: خوشه‌بندی کی-مینز قسمت سوم Project01 : K-means Clustering part03

• پروژه ۰۲: خوشه‌بندی کی-مینز Project02 : K-means Clustering

• پروژه ۰۳: خوشه‌بندی کی-مینز Project03 : K-means Clustering

تحلیل مؤلفه‌های اصلی (PCA) Principle Component Analysis ( PCA )

• مقدمه بخش Introduction of the section

• مفاهیم کلیدی PCA Key Concepts of PCA

• چرا به PCA نیاز داریم Why we need PCA

• درک PCA با مثال عددی Understanding PCA with numerical example

• پروژه ۰۱: PCA Project01 : PCA

• پروژه ۰۲: PCA Project02 : PCA

• پروژه ۰۳: PCA Project03 : PCA

• پروژه ۰۴: PCA Project04 : PCA

• پروژه ۰۵: PCA Project05 : PCA

• پروژه ۰۶: PCA Project06 : PCA

دوره‌های بیشتر More Courses

• دوره‌های بیشتر More Courses