آموزش یادگیری عمیق با PyTorch - آخرین آپدیت

ماژول ۱: رگرسیون لجستیک و تابع زیان Cross Entropy Module 1: Logistic Regression Cross-Entropy Loss

• معرفی دوره Course Introduction

• رگرسیون لجستیک و تابع زیان Cross Entropy Logistic Regression Cross-Entropy Loss

• بهینه‌سازی با استفاده از Cross Entropy Loss Optimization Using Cross-Entropy Loss

ماژول ۲: ساخت مدل‌های رگرسیون سافت‌مکس با توابع فعال‌ساز Module 2: Building Softmax Regression Models with Activation Functions

• آشنایی با تابع سافت‌مکس (Softmax) Introduction to the Softmax Function

• تابع سافت‌مکس: استفاده از خطوط برای طبقه‌بندی پیش‌بینی داده‌ها Softmax Function: Using Lines to Classify Data Prediction

• جریان کاری طبقه‌بندی سافت‌مکس در PyTorch Softmax Classification Workflow in PyTorch

• طبقه‌بندی سافت‌مکس برای مجموعه داده MNIST در PyTorch Softmax Classification for MNIST in PyTorch

• توابع فعال‌ساز (Activation Functions) Activation Functions

ماژول ۳: توسعه شبکه‌های عصبی کم‌عمق Module 3: Developing Shallow Neural Networks

• ساختار شبکه عصبی و لایه‌های پنهان Neural Network Structure and Hidden Layers

• انتشار پیشرو (Forward Propagation) در شبکه‌های عصبی Forward Propagation in Neural Networks

• بررسی بیشتر نورون‌های پنهان More Hidden Neurons

• شبکه‌های عصبی با ورودی‌های چندبعدی Neural Networks with Multiple Dimensional Input

• شبکه‌های عصبی چندکلاسه Multiclass Neural Networks

• پس‌انتشار (Backpropagation) Backpropagation

ماژول ۴: بهینه‌سازی شبکه‌های عمیق Module 4: Optimizing Deep Networks

• شبکه‌های عصبی عمیق Deep Neural Networks

• شبکه‌های عصبی عمیق‌تر: nn.ModuleList() Deeper Neural Networks: nn.ModuleList()

• چگونه Dropout باعث کاهش بیش‌برازش (Overfitting) می‌شود How Dropout Reduces Overfitting

• استفاده از Dropout در مدل‌های PyTorch Using Dropout in PyTorch Models

• روندهای فعلی در PyTorch Current Trends in PyTorch

• مقداردهی اولیه وزن‌های شبکه عصبی Neural Network Initialization Weights

• گرادیان نزولی با مومنتوم: شکست‌های مقداردهی و محوشدگی گرادیان Gradient Descent with Momentum: Initialization Failures and Vanishing Gradients

• گرادیان نزولی با مومنتوم: روش‌های مقداردهی Xavier و He Gradient Descent with Momentum: Xavier and He Initialization Methods

• نرمال‌سازی دسته‌ای (Batch Normalization) Batch Normalization

ماژول ۵: ساخت شبکه‌های عصبی کانولوشنال (CNN) Module 5: Building Convolutional Neural Networks

• مبانی کانولوشن و نقشه‌های فعال‌ساز Convolution Fundamentals and Activation Maps

• توابع فعال‌ساز و بیشینه استخراج (Max Pooling) Video: Activation Functions and Max Pooling

• کانال‌های ورودی و خروجی متعدد Multiple Input and Output Channels

• شبکه عصبی کانولوشنال (CNN) Convolutional Neural Network

• شبکه عصبی کانولوشنال برای MNIST Convolutional Neural Network for MNIST

• آشنایی با شبکه‌های باقی‌مانده (ResNet) Introduction to Residual Networks (ResNet)

• مدل‌های TorchVision TorchVision Models

• واحد پردازش گرافیکی (GPU) Graphics Processing Unit

ماژول ۶: پروژه نهایی و ارزیابی پایانی Module 6: Final Project and Final Assessment