آموزش جامع یادگیری عمیق کاربردی با پایتون - آخرین آپدیت

اجزای یادگیری عمیق Deep Learning Components

• معرفی دوره Course Introduction

• پیکربندی محیط برنامه نویسی Environment Configuration

• مقایسه یادگیری ماشین و یادگیری عمیق Machine Learning vs. Deep Learning

• یادگیری عمیق چیست؟ What is Deep Learning?

• شبکه‌های عصبی Neural Networks

• شبکه عصبی مصنوعی (ANN) Artificial Neural Network (ANN)

• انواع و کاربردهای ANN ANN: Types and Applications

• انتشار پیش‌رو (Forward Propagation) Forward Propagation

• پرسپترون Perceptron

• نرخ یادگیری (Learning Rate) Learning Rate

• تابع فعال‌ساز چیست؟ What is Activation Function?

• تابع فعال‌ساز و انواع آن Activation Function and it's Types

• اهمیت دوره (Epoch) Importance of Epoch

• پرسپترون تک‌لایه: تعریف تابع سیگموئید Single Layer Perceptron - Define Sigmoid Function

• پرسپترون تک‌لایه: مرز تصمیم‌گیری Single Layer Perceptron - Decision Boundary

• محدودیت‌های پرسپترون تک‌لایه Limitations of Single Layered Perceptron

• پرسپترون چندلایه (MLP) Multi-Layered Perceptron

• پس‌انتشار (Backpropagation) چیست؟ What is Backpropagation?

• مفهوم پس‌انتشار Backpropagation

• دموی عملی: ساخت یک شبکه عصبی ساده Demonstration: Building a Simple Neural Network

• دموی عملی: درک نحوه عملکرد پس‌انتشار Demonstration: Understanding How Backpropagation has Worked

• دموی عملی: طبقه‌بندی اعداد دست‌نویس - پیش‌پردازش داده‌ها Demonstration: Handwritten Digits Classification - Data Preprocessing

• دموی عملی: طبقه‌بندی اعداد دست‌نویس - طراحی مدل Demonstration: Handwritten Digits Classification- Designing the Model

• دموی عملی: طبقه‌بندی اعداد دست‌نویس - بهینه‌سازی مدل Demonstration: Handwritten Digits Classification - Optimizing the Model

• خلاصه اجزای یادگیری عمیق Summary of Deep Learning Components

یادگیری عمیق با CNN ،RCNN و Faster RCNN Deep Learning with CNN, RCNN and Faster RCNN

• محدودیت‌های MLP Limitations of MLP

• رفع محدودیت‌های MLP با استفاده از CNN MLP Limitations: Resolving the Issue with CNN

• قشر بینایی و CNN Visual Cortex and CNN

• لایه پیچشی (Convolutional Layer) Convolutional Layer

• نحوه عملکرد لایه پیچشی Working of Convolutional Layer

• دموی عملی: بارگذاری و پیش‌پردازش داده‌ها Demonstration: Load and Preprocess the Data

• دموی عملی: طراحی مدل Demonstration: Designing the Model

• دموی عملی: ساخت مدل CNN Demonstration: Building the CNN Model

• دموی عملی: بررسی دقت مدل Demonstration: Model Accuracy

• دموی عملی: افزودن لایه‌های بیشتر Demonstration: Adding More Layers

• دموی عملی: ساخت مدل CNN پایه با پارامترهای جدید Demonstration: Building Basic CNN Model with New Parameters

• دموی عملی: مدل‌های پیش‌آموزش‌دیده (Pre-trained) Demonstration: Pre-trained Model

• طبقه‌بندی و تشخیص اشیاء Classification and Object Detection

• آشنایی با RCNN Introduction to RCNN

• شبکه RCNN: رگرسیون جعبه احاطه‌کننده (Bounding Box) R-CNN: Bounding Box Regression

• استفاده از مدل پیش‌آموزش‌دیده Pre-trained Model

• شبکه Fast Regional CNN Fast Regional - CNN

• دموی عملی: ایجاد متغیرهای پایه و بارگذاری مدل Demonstration: Creating Base Variables and Loading the Model

• دموی عملی: آموزش مدل و بصری‌سازی پیش‌بینی‌ها Demonstration: Training the Model and Visualizing the Predictions

• دموی عملی: استفاده از SVM به عنوان طبقه‌بند Demonstration: SVM as a Classifier

• محدودیت‌های Fast RCNN Fast RCNN Limitations

• ظهور Faster R CNN Advent of Faster R-CNN

• معرفی Tensorflow Hub Tensorflow Hub

• دموی عملی: تنظیمات مدل پیش‌آموزش‌دیده Faster RCNN برای تشخیص اشیاء Demonstration: Object Detection with Faster RCNN-Pretrained Model setup

• دموی عملی: ساخت مدل تشخیص اشیاء با Faster RCNN Demonstration: Object Detection with Faster RCNN - Building the Model

• خلاصه CNN در یادگیری عمیق Summary of CNN in Deep Learning

• خلاصه Faster RCNN Summary of Faster RCNN

یادگیری عمیق با RNN ،LSTM و بهینه‌سازی مدل Deep Learning with RNN, LSTM and Model Optimization

• مبانی RNN RNN Fundamentals

• معماری RNN RNN Architecture

• معماری RNN: گردش کار (Workflow) RNN Architecture: Workflow

• پیاده‌سازی RNN Implementing RNN

• دموی عملی: آماده‌سازی مجموعه داده RNN Demonstration: RNN-Dataset Preparation

• دموی عملی: ساخت مدل RNN Demonstration: RNN-Building the Model

• مبانی LSTM Basics of LSTM

• ساختار LSTM LSTM Structure

• درگاه فراموشی (Forget Gate) و درگاه ورودی (Input Gate) Forget Gate and Input Gate

• درگاه خروجی (Output Gate) Output Gate

• اهمیت معماری LSTM Importance of LSTM Architecture

• انواع LSTM Types of LSTM

• دموی عملی: پیش‌بینی کلمه بعدی - پردازش پیکره متنی Demonstration: Next Word Prediction- Processing the Corpus

• دموی عملی: پیش‌بینی کلمه بعدی - لایه‌ها Demonstration: Next Word Prediction- Layers

• دموی عملی: پیش‌بینی کلمه بعدی - کامپایل مدل و پیش‌بینی Demonstration: Next Word Prediction- Model Compilation and Prediction

• بهبود مدل Improving a Model

• بهینه‌سازی مدل Model Optimization

• استفاده از بهینه‌ساز Adam Using Adam Optimizer

• کامپایل مدل (Model Compilation) Model Compilation

• کامپایل مدل با فریم‌ورک‌های محبوب Model Compilation with Popular Frameworks

• دموی عملی: کامپایل مدل - آماده‌سازی مجموعه داده Demonstration: Model Compilation- Preparing the Dataset

• دموی عملی: ساخت و کامپایل مدل Demonstration: Building and Compiling Model

• دموی عملی: تغییر از RMSProp به Adam Demonstration: From RMSProp to Adam

• خلاصه یادگیری عمیق با RNN و LSTM به همراه بهینه‌سازی مدل Summary of Deep Learning with RNN and LSTM with Model Optimization

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

• جمع‌بندی نهایی دوره یادگیری عمیق کاربردی با پایتون Course Summary for Practical Deep Learning with Python