آموزش یادگیری عمیق و معماری‌های مدرن هوش مصنوعی - آخرین آپدیت

شروع کنید: آشنایی با دوره و بررسی مهارت‌ها Start Here: Get Oriented and Check Your Skills

وظیفه شغلی ۱: ساخت و ارزیابی مدل‌های بینایی عمیق Job Task 1: Build and Evaluate Deep Vision Models

• چرا شبکه‌های عصبی پیچشی (CNN) برای تصاویر بسیار موثر هستند Why Convolutional Neural Networks Work So Well for Images

• کانولوشن و نقشه‌های ویژگی — بلوک‌های سازنده CNNها Convolution and Feature Maps — The Building Blocks of CNNs

• پولینگ، پدینگ و ReLU — درک تغییرات CNN Pooling, Padding, and ReLU — Understanding CNN Transformations

• تعریف لایه‌های پیچشی در یک CNN Defining the Convolutional Layers of a CNN

• افزودن لایه‌های کاملاً متصل و خلاصه مدل Adding Fully Connected Layers and Model Summary

• آموزش یک CNN روی مجموعه داده MNIST Training a CNN on MNIST

• ارزیابی CNN و بصری‌سازی پیش‌بینی‌ها Evaluating the CNN and Visualizing Predictions

• آموزش مدل‌های عمیق فقط به معنای افزودن لایه‌های بیشتر نیست Training Deep Models Isn't Just About More Layers

• بهبود پایداری: برش گرادینت و زمان‌بندی نرخ یادگیری Improving Stability: Gradient Clipping and Learning Rate Scheduling

• به یادگیری عمیق با PyTorch خوش آمدید: چه خواهید ساخت و چرا اهمیت دارد Welcome to Deep Learning with PyTorch: What You'll Build and Why It Matters

• ساخت مسیر پیش‌خور پرسپترون در PyTorch Building the Perceptron Forward Pass in PyTorch

• آموزش پرسپترون با قانون یادگیری پرسپترون Training the Perceptron with the Perceptron Learning Rule

• ساخت یک شبکه عصبی و بصری‌سازی مسیر پیش‌خور Building a Neural Network and Visualizing the Forward Pass

• بصری‌سازی مسیر پس‌خور و جریان گرادینت با Autograd Visualizing the Backward Pass and Gradient Flow with Autograd

• تعریف یک پرسپترون چندلایه با nn.Module و nn.Sequential Defining a Multi-Layer Perceptron with nn.Module and nn.Sequential

• اجرای مسیر پیش‌خور و بررسی ظرفیت مدل Running a Forward Pass and Exploring Model Capacity

• ساخت حلقه آموزش برای یک شبکه عصبی Building the Training Loop for a Neural Network

• ارزیابی عملکرد مدل و رسم نتایج Evaluating Model Performance and Plotting Results

• بارگذاری و شخصی‌سازی یک CNN پیش‌آموزش‌دیده برای یادگیری انتقالی Loading and Customizing a Pre-Trained CNN for Transfer Learning

• آموزش و ارزیابی یک CNN تنظیم‌شده (Fine-tuned) Training and Evaluating a Fine-Tuned CNN

• تحلیل احساسات با ترنسفورمرهای Hugging Face Sentiment Analysis with Hugging Face Transformers

• به‌کارگیری Dropout برای جلوگیری از بیش‌برازش Applying Dropout to Prevent Overfitting

• استفاده از رگولاریزاسیون L2 با کاهش وزن (Weight Decay) Using L2 Regularization with Weight Decay

• اعمال مقداردهی اولیه سفارشی وزن‌ها در PyTorch Applying Custom Weight Initialization in PyTorch

• انتخاب و تغییر بهینه‌سازها در PyTorch Choosing and Switching Optimizers in PyTorch

• آموزش سریع‌تر: دقت ترکیبی با torch.cuda.amp Training Faster: Mixed Precision with torch.cuda.amp

وظیفه شغلی ۲: مقایسه معماری‌های متوالی و مولد Job Task 2: Compare Sequence and Generative Architectures

• ترنسفورمرها امکان ساخت LLMها را فراهم کردند: چرا این موضوع مهم است Transformers Made LLMs Possible: Here's Why That Matters

• مشکل RNNها و نحوه حل آن توسط ترنسفورمرها The Problem with RNNs and How Transformers Fix It

• خود-توجهی، توجه چندسر و شبکه‌های پیش‌خور Self-Attention, Multi-Head Attention, and Feedforward Networks

• تنظیم دقیق یک ترنسفورمر با Hugging Face Fine-Tuning a Transformer with Hugging Face

• چرا یادگیری عمیق برای داده‌های متوالی قدرتمند است Why Deep Learning is Powerful for Sequential Data

• نحوه پردازش داده‌های متوالی توسط RNNها: مفاهیم و جریان ورودی How RNNs Process Sequential Data: Concepts and Input Flow

• شبکه RNN در سطح کاراکتر و تکامل حالت پنهان Character-Level RNN and Hidden State Evolution

• شروع کار با LSTMها در PyTorch Getting Started with LSTMs in PyTorch

• اجرای توالی‌ها و مقایسه LSTM در مقابل GRU Running Sequences and Comparing LSTM vs. GRU

• تولید متن با LSTMها در PyTorch Text Generation with LSTMs in PyTorch

• برازش و بصری‌سازی یک مدل مولد Fitting and Visualizing a Generative Model

• از GANها تا مدل‌های خودرگرسیونی: تمرین عملی با مبانی مدل‌های مولد From GANs to Autoregressive Models: Hands-On with Generative Basics

• مقایسه GANها در مقابل VAEها و Diffusion: خروجی‌ها چه می‌گویند؟ GANs vs. VAEs vs. Diffusion: What Do the Outputs Say?

جمع‌بندی: بررسی دستاوردهای مهارتی و انتخاب مسیر بعدی Wrap Up: Review Your Skill Achievement and Choose Your Next Path