آموزش PyTorch برای یادگیری عمیق و بینایی کامپیوتر

PyTorch for Deep Learning and Computer Vision

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ساختن برنامه‌های یادگیری عمیق و بینایی رایانه‌ای بسیار پیچیده با PyTorch پیاده‌سازی ماشین و برنامه‌های یادگیری عمیق با PyTorch ساخت شبکه‌های عصبی از ابتدا ساخت مدل‌های پیچیده از طریق موضوع کاربردی تصویرسازی پیشرفته و بینایی رایانه حل مشکلات پیچیده در بینایی رایانه با استفاده از برنامه‌های از پیش آموزش‌دیده بسیار پیچیده مدل ها استفاده از انتقال سبک برای ساخت اپلیکیشن های پیشرفته هوش مصنوعی پیش نیازها: نیازی به تجربه نیست

PyTorch به سرعت به یکی از تحول‌پذیرترین چارچوب‌ها در زمینه یادگیری عمیق تبدیل شده است. از زمان انتشار، PyTorch به دلیل انعطاف‌پذیری و استفاده از آن در ساخت مدل‌های یادگیری عمیق، چشم‌انداز را در زمینه یادگیری عمیق کاملاً تغییر داده است.

مشاغل یادگیری عمیق دارای برخی از بالاترین حقوق در دنیای توسعه هستند. هدف از این دوره این است که شما را از اصول اولیه کامل، به ساختن پیشرفته ترین برنامه های Deep Learning و Computer Vision با PyTorch ببرد.

آموزش عمیق را با PyTorch در این دوره سرگرم‌کننده و هیجان‌انگیز با مربی برتر رایان اسلیم بیاموزید. رایان با بیش از 44000 دانش آموز، یک مربی با رتبه بالا و با تجربه است که برای ایجاد این دوره شگفت انگیز از سبک "یادگیری از طریق انجام" پیروی کرده است.

شما از مبتدی به متخصص یادگیری عمیق خواهید رسید و مربی شما هر کار را گام به گام روی صفحه با شما انجام می دهد.

در پایان دوره، شما با PyTorch برنامه‌های پیشرفته‌ای برای یادگیری عمیق و دید کامپیوتری خواهید داشت. پروژه‌های ساخته‌شده در این دوره حتی ارشدترین توسعه‌دهندگان را تحت تأثیر قرار می‌دهند و تضمین می‌کنند که مهارت‌هایی را دارید که می‌توانید در هر پروژه یا شرکتی بیاورید.

این دوره به شما نشان می دهد:

  • با نحوه کار با ساختار داده تانسور آشنا شوید

  • برنامه های ماشین و یادگیری عمیق را با PyTorch پیاده سازی کنید

  • شبکه های عصبی را از ابتدا بسازید

  • مدل‌های پیچیده را از طریق تم کاربردی تصاویر پیشرفته و دید رایانه بسازید

  • با استفاده از مدل‌های از پیش آموزش‌دیده بسیار پیچیده حل مسائل پیچیده در Computer Vision را بیاموزید

  • از انتقال سبک برای ساخت برنامه‌های هوش مصنوعی پیشرفته استفاده کنید که می‌توانند به‌طور یکپارچه تصاویر را به سبک تصاویر دیگر ترکیب کنند.

تجربه لازم نیست. این دوره به گونه‌ای طراحی شده است که دانش‌آموزانی را بدون تجربه برنامه‌نویسی/ریاضی به توسعه‌دهندگان حرفه‌ای Deep Learning ببرد.

این دوره همچنین با تمام کد منبع و پشتیبانی دوستانه در منطقه Q A ارائه می شود.

این دوره برای چه کسانی است:

  • هر کسی که به یادگیری عمیق و بینایی رایانه علاقه دارد

  • هر کسی (بدون توجه به سطح مهارت) که می خواهد به حوزه هوش مصنوعی منتقل شود

  • کارآفرینانی که علاقه مند به کار بر روی برخی از پیشرفته ترین فناوری ها هستند

  • همه سطوح مهارت پذیرفته می شوند!


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • محتوای رایگان اضافی Additional FREE Content

شروع شدن Getting Started

  • پیدا کردن کدها (Github) Finding the codes (Github)

  • نگاهی به پروژه ها A Look at the Projects

معرفی Tensors - PyTorch Intro to Tensors - PyTorch

  • مقدمه Intro

  • تانسورهای 1 بعدی 1 Dimensional Tensors

  • عملیات برداری Vector Operations

  • تانسورهای 2 بعدی 2 Dimensional Tensors

  • برش تانسورهای سه بعدی Slicing 3D Tensors

  • ضرب ماتریس Matrix Multiplication

  • گرادیان با PyTorch Gradient with PyTorch

  • Outro Outro

رگرسیون خطی - PyTorch Linear Regression - PyTorch

  • مقدمه Intro

  • پیشگویی Making Predictions

  • کلاس خطی Linear Class

  • ماژول های سفارشی Custom Modules

  • ایجاد مجموعه داده Creating Dataset

  • عملکرد از دست دادن Loss Function

  • گرادیان نزول Gradient Descent

  • خطای میانگین مربعات Mean Squared Error

  • آموزش – پیاده سازی کد Training - Code Implementation

  • گرفتن نتایج عجیب و غریب؟ Getting Weird Results?

  • Outro Outro

  • خلاصه Summary

Perceptrons - PyTorch Perceptrons - PyTorch

  • مقدمه Intro

  • یادگیری عمیق چیست What is Deep Learning

  • ایجاد مجموعه داده Creating Dataset

  • مدل پرسپترون Perceptron Model

  • راه اندازی مدل Model Setup

  • آموزش مدل Model Training

  • تست مدل Model Testing

  • Outro Outro

شبکه های عصبی عمیق - PyTorch Deep Neural Networks - PyTorch

  • مقدمه Intro

  • مرزهای غیر خطی Non-Linear Boundaries

  • معماری Architecture

  • فرآیند پیشخور Feedforward Process

  • تابع خطا Error Function

  • پس انتشار Backpropagation

  • پیاده سازی کد Code Implementation

  • مدل تست Testing Model

  • Outro Outro

تشخیص تصویر - PyTorch Image Recognition - PyTorch

  • مقدمه Intro

  • مجموعه داده MNIST MNIST Dataset

  • مجموعه داده های آموزشی و آزمایشی Training and Test Datasets

  • به روز رسانی مهم - رفع اشکال برای درس بعدی Important Update - Bug fix for next lesson

  • تغییر شکل تصویر Image Transforms

  • پیاده سازی شبکه عصبی Neural Network Implementation

  • اعتبار سنجی شبکه عصبی Neural Network Validation

  • لینک های تست Test Links

  • تست های نهایی Final Tests

  • نکته ای در مورد تنظیم اندازه دسته A note on adjusting batch size

  • Outro Outro

شبکه های عصبی کانولوشن - PyTorch Convolutional Neural Networks - PyTorch

  • Convolutions و MNIST Convolutions and MNIST

  • لایه کانولوشنال Convolutional Layer

  • پیچیدگی II Convolutions II

  • ادغام Pooling

  • شبکه کاملا متصل Fully Connected Network

  • پیاده سازی شبکه عصبی با PyTorch Neural Network Implementation with PyTorch

  • آموزش مدل با PyTorch Model Training with PyTorch

CIFAR 10 طبقه بندی - PyTorch CIFAR 10 Classification - PyTorch

  • مجموعه داده CIFAR 10 The CIFAR 10 Dataset

  • تست LeNet Testing LeNet

  • تنظیم فراپارامتر Hyperparameter Tuning

  • افزایش داده ها Data Augmentation

آموزش انتقال - PyTorch Transfer Learning - PyTorch

  • مدل های پیشرفته از پیش آموزش دیده Pre-trained Sophisticated Models

  • لینک Github برای Dataset Github Link for Dataset

  • AlexNet و VGG16 AlexNet and VGG16

انتقال سبک - PyTorch Style Transfer - PyTorch

  • مقاله توصیه شده برای خواندن (اختیاری) Recommended Paper to Read (Optional)

  • VGG 19 VGG 19

  • تصاویر مورد نیاز برای درس بعدی (منبع) Images Required for Next Lesson (Resource)

  • تغییر شکل تصویر Image Transforms

  • تغییر شکل تصویر Image Transforms

  • استخراج ویژگی Feature Extraction

  • مقاله اختیاری دوم برای خواندن 2nd Optional Paper to Read

  • ماتریس گرم The Gram Matrix

  • بهينه سازي Optimization

  • محتوا و تصاویر سبک Content and Style Images

  • انتقال سبک با ویدئو Style Transfer with Video

  • فعلا خدانگهدار Goodbye, for now

همه کدهای منبع All Source Codes

  • مقدمه Intro

  • رگرسیون خطی Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • شبکه های عصبی عمیق Deep Neural Networks

  • طبقه بندی MNIST MNIST Classification

  • شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • سیفار 10 CIFAR 10

  • یادگیری انتقالی Transfer Learning

  • انتقال سبک Style Transfer

پیوست A - دوره سقوط پایتون (اختیاری) Appendix A - Python Crash Course (Optional)

  • دوره سقوط پایتون - دسترسی رایگان Python Crash Course - Free Access

پیوست B - دوره Crash NumPy (اختیاری) Appendix B - NumPy Crash Course (Optional)

  • توجه داشته باشید Note

  • بررسی اجمالی Overview

  • آرایه ها در مقابل لیست ها Arrays vs Lists

  • آرایه های چند بعدی Multidimensional Arrays

  • برش تک بعدی One Dimensional Slicing

  • تغییر شکل دادن Reshaping

  • برش چند بعدی Multidimensional Slicing

  • دستکاری اشکال آرایه Manipulating Array Shapes

  • ضرب ماتریس Matrix Multiplication

  • پشتهسازی Stacking

  • Outro Outro

  • Outro Outro

پیوست C - توضیح Softmax (اختیاری) Appendix C - Softmax Explanation (Optional)

  • مقدمه Intro

  • مقدمه Intro

  • سافت مکس Softmax

  • آنتروپی متقاطع Cross Entropy

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش PyTorch برای یادگیری عمیق و بینایی کامپیوتر
جزییات دوره
10.5 hours
101
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
11,784
4.5 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

Rayan Slim Rayan Slim

معلم

سلام! من Rayan هستم، یک توسعه دهنده نرم افزار تمام وقت مستقر در اتاوا، کانادا.

من برای اولین بار در هنگام کار بر روی یک استارت آپ به توسعه پرداختم. از آن زمان، من به‌عنوان یک توسعه‌دهنده مستقل، اپلیکیشن‌های وب و تلفن همراه بی‌شماری ساخته‌ام، در عین حال کارنامه‌ام را گسترش داده‌ام و راه‌های جدیدی را در رباتیک، تجزیه و تحلیل داده‌های یادگیری عمیق کاوش کرده‌ام.

در اوقات فراغت، من عاشق تدریس هستم!

Jad Slim Jad Slim

DeveloperJad مهندسی مکانیک را در دانشگاه اتاوا تحصیل کرده است. جاد همچنین در زمینه تولید نرم افزار ، یادگیری ماشین ، دید کامپیوتر ، مدل سازی ریاضی ، شبیه سازی رایانه و سیستم های هوشمند تجربه دارد. او همچنین بسیاری از برنامه های یادگیری عمیق را توسعه داده است ، و در حال حاضر به دنبال علاقه به ماشین های خودمختار و توسعه کامل پشته است.

Amer Sharaf Amer Sharaf

توسعه دهنده

Sarmad Tanveer Sarmad Tanveer

دانشمند داده