PyTorch برای Bootcamp یادگیری عمیق: صفر تا تسلط

PyTorch for Deep Learning Bootcamp: Zero to Mastery

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش نحوه استفاده از PyTorch (کتابخانه فیس بوک) برای یادگیری عمیق با مثال های کاربردی درک مفاهیم اولیه در مورد شبکه عصبی و نحوه عملکرد آن استفاده از PyTorch برای رگرسیون خطی با استفاده از پرسپترون چندلایه (MLP) استفاده از PyTorch برای طبقه بندی تصاویر با استفاده از شبکه عصبی مصنوعی عمیق (ANN) آموزش کار با انواع داده های مختلف مانند تانسورها و آرایه ها استفاده از PyTorch برای طبقه بندی تصاویر با استفاده از شبکه عصبی کانولوشن (CNN) استفاده از PyTorch برای پیش بینی سری های زمانی با استفاده از شبکه عصبی تکراری (RNN) و غیره) دانستن اصول اولیه OOP توصیه می شود

یادگیری عمیق در سال‌های اخیر به یکی از محبوب‌ترین تکنیک‌های یادگیری ماشین تبدیل شده است و PyTorch به عنوان ابزاری قدرتمند و انعطاف‌پذیر برای ساخت مدل‌های یادگیری عمیق ظاهر شده است. در این دوره آموزشی، اصول یادگیری عمیق و نحوه پیاده سازی شبکه های عصبی با استفاده از PyTorch را خواهید آموخت.


از طریق ترکیبی از سخنرانی‌ها، جلسات برنامه‌نویسی عملی، و پروژه‌ها، به درک عمیقی از نظریه پشت تکنیک‌های یادگیری عمیق مانند شبکه‌های عصبی مصنوعی عمیق (ANN)، شبکه‌های عصبی کانولوشنال (CNN)، عصبی مکرر دست خواهید یافت. شبکه ها (RNN). شما همچنین یاد خواهید گرفت که چگونه این مدل ها را با استفاده از PyTorch آموزش داده و ارزیابی کنید، و چگونه آنها را با استفاده از تکنیک هایی مانند نزول گرادیان تصادفی و پس انتشار بهینه کنید. در طول دوره، من همچنین به شما نشان خواهم داد که چگونه می توانید از GPU به جای CPU استفاده کنید و عملکرد محاسبه یادگیری عمیق را افزایش دهید.

در این دوره، هر آنچه برای شروع یادگیری عمیق با PyTorch نیاز دارید را به شما آموزش خواهم داد، مانند:

  • دوره Crash NumPy

  • دوره تصادف پانداها

  • نظریه و شهود شبکه عصبی

  • نحوه کار با مجموعه داده های Torchvision

  • شبکه عصبی کانولوشنال (CNN)

  • حافظه بلند مدت (LSTM)

  • و خیلی چیزهای دیگر

از آنجایی که این دوره برای همه سطوح (از مبتدی تا پیشرفته) طراحی شده است، ما با مفاهیم اولیه و شهود اولیه شروع می کنیم.

در پایان این دوره، شما یک پایه قوی در یادگیری عمیق با PyTorch خواهید داشت و می توانید این تکنیک ها را در مسائل مختلف دنیای واقعی، مانند طبقه بندی تصاویر، تجزیه و تحلیل سری های زمانی، و حتی ایجاد عمیق خود، به کار ببرید. برنامه های کاربردی یادگیری.



سرفصل ها و درس ها

معرفی و بررسی اجمالی دوره Course Introduction & Overview

  • محتوای دوره Course Content

  • چرا گوگل کولب؟ Why Google Colab?

  • مقدمه ای بر محیط کولب Introduction to Colab Environment

بسته های مفید Useful Packages

  • مبانی NumPy NumPy Basics

  • اصول اولیه پانداها Pandas Basics

مبانی تانسور PyTorch PyTorch Tensor Basics

  • مقدمه ای بر تنسورها Introduction to Tensors

  • کار با PyTorch Tensor Working with PyTorch Tensors

مفاهیم اساسی شبکه عصبی Neural Network Basic Concepts

  • شرایط اولیه درباره NN Basic Terms About NN

  • تابع فعال سازی Activation Function

  • چگونه شبکه عصبی یاد بگیریم؟ How Neural Network Learn?

  • بهینه سازی مناسب گرادیان Gradient Decent Optimization

PyTorch برای پرسپترون چند لایه (MLP) PyTorch for Multilayer Perceptron (MLP)

  • رگرسیون PyTorch با استفاده از MLP - قسمت 1 PyTorch Regression Using MLP – Part1

  • رگرسیون PyTorch با استفاده از MLP - قسمت 2 PyTorch Regression Using MLP – Part2

  • رگرسیون PyTorch با استفاده از MLP - قسمت 3 PyTorch Regression Using MLP – Part3

  • رگرسیون PyTorch با استفاده از MLP - قسمت 4 PyTorch Regression Using MLP – Part4

PyTorch برای شبکه عصبی مصنوعی عمیق (ANN) PyTorch for Deep Artificial Neural Network (ANN)

  • معرفی شبکه عصبی مصنوعی عمیق Deep Artificial Neural Network Introduction

  • طبقه بندی تصویر PyTorch با استفاده از ANN - قسمت 1 PyTorch Image Classification Using ANN – Part1

  • طبقه بندی تصویر PyTorch با استفاده از ANN - قسمت 2 PyTorch Image Classification Using ANN – Part2

  • طبقه بندی تصویر PyTorch با استفاده از ANN - قسمت 3 PyTorch Image Classification Using ANN – Part3

  • طبقه بندی تصویر PyTorch با استفاده از ANN - قسمت 4 PyTorch Image Classification Using ANN – Part4

PyTorch برای شبکه عصبی کانولوشن (CNN) PyTorch for Convolutional Neural Network (CNN)

  • مقدمه Introduction

  • لایه کانولوشنال (فیلتر تصویر) Convolutional Layer (Image Filter)

  • لایه ادغام Pooling Layer

  • صاف کردن Flattening

  • نتیجه گیری Conclusion

  • طبقه بندی تصاویر PyTorch با استفاده از CNN - قسمت 1 PyTorch Image Classification Using CNN – Part1

  • طبقه‌بندی تصویر PyTorch با استفاده از CNN - قسمت 2 PyTorch Image Classification Using CNN – Part2

  • طبقه بندی تصاویر PyTorch با استفاده از CNN - قسمت 3 PyTorch Image Classification Using CNN – Part3

  • طبقه بندی تصاویر PyTorch با استفاده از CNN - قسمت 4 PyTorch Image Classification Using CNN – Part4

استفاده از GPU به جای CPU Using GPU Instead of CPU

  • مقدمه ای بر CPU و GPU Introduction to CPU & GPU

  • اگر از کولب استفاده نمی کنید مراقب باشید! Watch if You Don't Use Colab!

  • چگونه از GPU استفاده کنیم؟ How to Use GPU?

  • نکته مهم! Important Note!

  • نحوه ذخیره و بارگذاری یک مدل با استفاده از PyTorch How to Save & Load a Model Using PyTorch

PyTorch برای شبکه عصبی مکرر PyTorch for Recurrent Neural Network

  • مقدمه ای بر شبکه عصبی بازگشتی Introduction to Recurrent Neural Network

  • LSTM چیست و چگونه کار می کند؟ What is LSTM and How it Works?

  • PyTorch برای پیش‌بینی سری‌های زمانی با استفاده از LSTM-Part1 PyTorch for Time Series Forecasting Using LSTM-Part1

  • PyTorch برای پیش‌بینی سری‌های زمانی با استفاده از LSTM-Part2 PyTorch for Time Series Forecasting Using LSTM-Part2

  • PyTorch برای پیش‌بینی سری‌های زمانی با استفاده از LSTM-Part3 PyTorch for Time Series Forecasting Using LSTM-Part3

  • PyTorch برای پیش‌بینی سری‌های زمانی با استفاده از LSTM-Part4 PyTorch for Time Series Forecasting Using LSTM-Part4

پاداش! Bonus!

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

PyTorch برای Bootcamp یادگیری عمیق: صفر تا تسلط
جزییات دوره
9.5 hours
41
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
694
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Navid Shirzadi Navid Shirzadi

Data Analyst - Optimization Expert نام من نوید شیرزید است و من بسیار خوشحالم که شما برای خواندن این بخش اینجا هستید! من یک محقق با بیش از 7 سال تجربه در زمینه کنترل سیستم های انرژی یکپارچه با مهارت گسترده در استفاده از استراتژی های بهینه سازی ریاضی هستم. من همچنین در برنامه نویسی با پایتون و توسعه مدل های یادگیری ماشین و یادگیری عمیق برای برنامه های مختلف مهارت دارم. من چندین نشریه در زمینه طراحی و کنترل استراتژی های سیستم های انرژی با استفاده از یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی دارم. به عنوان نتیجه گیری ، من علاقه زیادی به علم داده و یادگیری ماشین و برنامه های بهینه سازی در مشکلات دنیای واقعی دارم و واقعاً دوست دارم تجربه خود را با شما در میان بگذارم!