آموزش شبکه‌های عصبی و کتابخانه PyTorch - آخرین آپدیت

دانلود Introduction to Neural Networks and PyTorch

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: برای کسب مهارت‌های بنیادین PyTorch که جهت شروع مسیر شغلی به عنوان مهندس هوش مصنوعی (AI Engineer) به آن‌ها نیاز دارید، آماده شوید. این دوره با مفاهیم تنسورها آغاز شده و شما را تا ساخت مدل‌های طبقه‌بندی (Classification) کاملاً آموزش‌دیده پیش می‌برد. شما در این دوره بر عملیات تنسور مسلط شده، مجموعه‌داده‌های سفارشی می‌سازید و مدل‌های رگرسیون خطی را با استفاده از nn.Module و سیستم autograd در PyTorch پیاده‌سازی می‌کنید. سپس مفاهیمی همچون گرادینت نزولی (Gradient Descent)، آموزش استوکاستیک و مینی-بچ، توابع هزینه (Loss Functions) و گردش‌کارهای آموزش و اعتبارسنجی را فرا می‌گیرید. در ادامه، طبقه‌بندهای رگرسیون لجستیک را ساخته، تابع زیان Cross-Entropy را اعمال کرده و تکنیک‌های پیشرفته بهینه‌سازی و منظم‌سازی (Regularization) را پیاده خواهید کرد. از طریق آزمایشگاه‌های تعاملی، ویدیوهای آموزشی و دیالوگ‌های متکی به هوش مصنوعی، ساخت، آموزش و ارزیابی مدل‌ها را با الگوهای کدنویسی واقعی PyTorch تمرین می‌کنید. در پایان، یک پروژه سطح بالا برای رزومه‌تان خلق خواهید کرد که توانایی شما در طبقه‌بندی و بهینه‌سازی مبتنی بر گرادینت در PyTorch را به نمایش می‌گذارد. همین حالا ثبت‌نام کنید تا رزومه خود را تقویت کرده و پروژه‌ای را به اتمام برسانید که مهارت‌های عملی شما را در بازار کار آینده‌محور هوش مصنوعی برجسته کند.

سرفصل ها و درس ها

بررسی تنسورها Exploring Tensors

  • معرفی دوره Course Introduction

  • آشنایی با شبکه‌های عصبی مدرن Introduction to Modern Neural Network

  • مقدمه‌ای بر ماتریس‌ها و بردارها Introduction to Matrices and Vectors

  • آشنایی با تنسورها و مجموعه‌داده‌ها در PyTorch Introduction to Tensors and Datasets in PyTorch

  • درک تنسورهای یک‌بعدی (1D) در PyTorch Understanding 1D Tensors in PyTorch

  • عملیات رایج در تنسورهای یک‌بعدی با PyTorch Common Operations in 1D Tensors using PyTorch

  • آشنایی با تنسورهای دوبعدی (2D) در PyTorch Introduction to 2D Tensors in PyTorch

  • عملیات تنسورهای دوبعدی در PyTorch 2D Tensor Operations in PyTorch

  • درک مشتق‌گیری در PyTorch Understanding Differentiation in PyTorch

ساخت مجموعه‌داده‌ها در PyTorch Building Datasets in PyTorch

  • ایجاد مجموعه‌داده‌های ساده در PyTorch Creating Simple Datasets in PyTorch

  • ساخت مجموعه‌داده‌های تصویری در PyTorch Building Image Datasets in PyTorch

به‌کارگیری رگرسیون خطی و گرادینت نزولی Applying Linear Regression and Gradient Descent

  • رگرسیون خطی در PyTorch Linear Regression in PyTorch

  • پیش‌بینی با رگرسیون خطی Linear Regression Prediction

  • آموزش مدل‌های رگرسیون خطی Training Linear Regression Models

  • توابع زیان (Loss Functions) Loss Functions

  • مبانی گرادینت نزولی Gradient Descent Basics

  • توابع هزینه و گرادینت نزولی دسته‌ای (Batch) Cost Functions and Batch Gradient Descent

  • آموزش شیب و بایاس در رگرسیون خطی PyTorch PyTorch Linear Regression Training Slope and Bias

آموزش مدل‌های رگرسیون خطی به روش PyTorch Training Linear Regression Models the PyTorch Way

  • گرادینت نزولی استوکاستیک (SGD) Stochastic Gradient Descent

  • گرادینت نزولی مینی-بچ Mini-Batch Gradient Descent

  • بهینه‌سازی در PyTorch Optimization in PyTorch

  • تقسیم‌بندی داده‌های آموزش، اعتبارسنجی و تست Training, Validation, and Test Split

  • پیاده‌سازی تقسیم‌بندی داده‌ها در PyTorch Training, Validation, and Test Split in PyTorch

توسعه رگرسیون خطی برای ورودی‌ها و خروجی‌های متعدد Extending Linear Regression to Multiple Inputs and Outputs

  • آموزش رگرسیون خطی چندگانه Multiple Linear Regression Training

  • پیش‌بینی با رگرسیون خطی چندگانه Multiple Linear Regression Prediction

  • رگرسیون خطی با خروجی‌های متعدد Linear Regression Multiple Outputs

  • آموزش رگرسیون خطی با خروجی‌های متعدد Video: Multiple Output Linear Regression Training

  • روندهای فعلی در PyTorch Current Trends in PyTorch

به‌کارگیری رگرسیون لجستیک برای طبقه‌بندی Applying Logistic Regression for Classification

  • آشنایی با طبقه‌بندهای خطی Introduction to Linear Classifiers

  • تابع سیگموئید و آستانه‌بندی احتمالات Sigmoid Function and Probability Thresholding

  • پیش‌بینی با رگرسیون لجستیک Logistic Regression Prediction

  • توزیع برنولی و تخمین بیشینه احتمال (MLE) Bernoulli Distribution and Maximum Likelihood Estimation

  • زیان Cross Entropy در رگرسیون لجستیک Video: Cross-Entropy Loss in Logistic Regression

  • به‌کارگیری زیان Cross Entropy در رگرسیون لجستیک PyTorch Applying Cross-Entropy Loss in PyTorch Logistic Regression

  • تکنیک‌های پیشرفته بهینه‌سازی و آموزش Advanced Optimization and Training Techniques

  • منظم‌سازی و تعمیم‌پذیری (Regularization and Generalization) Regularization and Generalization

پروژه نهایی، آزمون پایانی و جمع‌بندی دوره Final Project, Final Quiz, and Course Wrap-Up

نمایش نظرات

آموزش شبکه‌های عصبی و کتابخانه PyTorch
جزییات دوره
19h 12m
36
(آخرین آپدیت)
100,944
4.4 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

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

IBM Skills Network Team IBM Skills Network Team