آموزش دوره جامع یادگیری عمیق (Deep Learning) - ۲۰۲۳ - آخرین آپدیت

سرفصل ها و درس ها

خوش‌آمدگویی و شروع Welcome on Board

• خوش‌آمدگویی Welcome

• معرفی دوره Course Introduction

تسلط بر مفاهیم پایه Getting the Basics Right

• شبکه‌های عصبی مصنوعی Artificial Neural Networks

• تابع فعال‌ساز Activation Function

• بایاس (Bias) Bias

• داده‌ها Data

• کاربردهای داده‌ها Applications of Data

• مدل‌ها Models

• توابع زیان (Loss Functions) Loss Functions

• الگوریتم‌های یادگیری و عملکرد مدل Learning Algorithms and Model Performance

دوره فشرده مبانی پایتون Python Crash Course on Basics

• نصب Jupyter Notebook Installing Jupyter Notebook

• کار با Google Colab Accessing Google Colab

• مبانی پایتون: انواع داده‌ها Python Basics - Data Types

• مبانی پایتون: کانتینرها در پایتون Python Basics - Containers in Python

• دستورات کنترلی: if...else در پایتون Control Statements Python if…else

• دستورات کنترلی: While و For در پایتون Python Control statements - While and For

• توابع و کلاس‌ها در پایتون Functions and Classes in Python

پایتون برای علوم داده (دوره فشرده) Python for Data Science - Crash Course

• کتابخانه NumPy بخش اول NumPy Part 1

• کتابخانه NumPy بخش دوم NumPy Part 2

• کتابخانه NumPy بخش سوم NumPy Part 3

• کتابخانه Pandas در پایتون: Pandas Series Pandas in Python - Pandas Series

• Pandas Data Frame Pandas Data Frame

• پاک‌سازی و بررسی داده‌ها Cleaning and Examining the data

• رسم نمودار با Matplotlib Plotting with Matplotlib

• نمودارهای کانتور (Contour Plots) Contour Plots

مدل MP Neuron MP Neuron Model

• معرفی MP Neuron MP Neuron Introduction

• درک شهودی داده‌ها Intuition of Data

• زیان و یافتن پارامترها Loss and Finding Parameters

• شهود ریاضی Mathematical Intuition

پیاده‌سازی MP Neuron در پایتون MP Neuron in Python

• مدل MP Neuron: وارد کردن داده‌ها MP Neuron - Data Import

• تقسیم داده‌ها به آموزش و تست Train Test Split

• اصلاح داده‌ها Modify Data

• پیاده‌سازی MP Neuron در پایتون MP Neuron in Python

• کلاس MP Neuron MP Neuron Class

جمع‌بندی مدل MP Neuron Summary of MP Neuron

• جمع‌بندی Summary

پرسپترون (Perceptron) Perceptron

• پرسپترون Perceptron

• مدل پرسپترون و نمایش آن Perceptron Model and Its Representation

• تابع زیان و به‌روزرسانی پارامترها Loss Function and Parameter Update

• چرا قانون به‌روزرسانی کار می‌کند Why Update Rule Works

• قانون به‌روزرسانی در برنامه‌ها Update Rule in Programs

پیاده‌سازی پرسپترون در پایتون Perceptron in Python

• پیاده‌سازی پرسپترون در پایتون Perceptron in Python

• بصری‌سازی دقت بر اساس Epochها Visualize the Accuracy with Epochs

نورون سیگموئید (Sigmoid Neuron) Sigmoid Neuron

• محدودیت‌های پرسپترون Perceptron Limitations

• معرفی نورون سیگموئید Sigmoid Neuron Introduction

• داده‌های نورون سیگموئید Sigmoid Neuron Data

• شهود سیگموئید Sigmoid Intuition

• برازش دستی داده‌ها Manual Fitting of Data

• گرادیان نزولی (Gradient Descent) Gradient Descent

• بررسی کلی برنامه Program Overview

• برنامه‌نویسی در پایتون Program in Python

پیاده‌سازی نورون سیگموئید با پایتون Sigmoid Neuron Implement with Python

• دانلود مجموعه داده (Dataset) Download Dataset

• استانداردسازی داده‌ها - ۱ Data Standardization - 1

• استانداردسازی داده‌ها - ۲ Data Standardization - 2

• کلاس Sigmoid Class Sigmoid

مبانی احتمال Basic Probability

• مقدمه‌ای بر احتمال و متغیرهای تصادفی Introduction to Probability and Random Variables

• اهمیت متغیرهای تصادفی Why Random Variable Is Important

• انواع متغیرهای تصادفی Random Variable - Types

• جدول توزیع احتمال Probability Distribution Table

• چرا به زیان آنتروپی (Entropy Loss) نیاز داریم Why Do We Require Entropy Loss

شبکه‌های عصبی عمیق Deep Neural Networks

• چرا شبکه‌های عصبی عمیق Why Deep Neural Networks

• جداسازی خطی داده‌ها Linear Separation of Data

قضیه تقریب جهانی Universal Approximation Theorem

• درک قضیه تقریب جهانی Understanding Universal Approximation Theorem

• تأیید عملکرد قضیه تقریب جهانی Confirming Universal Approximation Theorem Works

• بررسی عمیق شبکه‌های عصبی Going Deep into Neural Networks

• چالش‌های ساخت شبکه‌های عصبی عمیق از صفر Challenges in Creating Deep Neural Networks from Scratch

یادگیری عمیق با TensorFlow 2.x Deep Learning with TensorFlow 2.x

• مرور سریع یادگیری عمیق Quick Recap on Deep Learning

• معرفی TensorFlow Introducing TensorFlow

• ساخت شبکه عصبی با TensorFlow Building a Neural Network with TensorFlow

• ایجاد اولین شبکه عصبی با TensorFlow Create First Neural Network with TensorFlow

• آموزش شبکه عصبی Training the Neural Network

• ارزیابی آموزش Training Evaluation

• جمع‌بندی Summary

توابع فعال‌ساز در شبکه‌های عصبی یادگیری عمیق Activation Functions in Deep Learning Neural Networks

• معرفی توابع فعال‌ساز در شبکه‌های عصبی یادگیری عمیق Activation Functions in Deep Learning Neural Networks - Introduction

• انواع توابع فعال‌ساز Various Activation Functions

• جمع‌بندی توابع فعال‌ساز Summary on Activation Functions

• پیکربندی‌های رایج شبکه Common Network Configuration

کاربردهای یادگیری عمیق Applying Deep Learning

• انتقال از یادگیری کم‌عمق به یادگیری عمیق Moving from Shallow Learning to Deep Learning

• مبانی Keras Keras Basics

• انواع مسائل Types of Problems

• توابع ReLU، SoftMax و Cross Entropy ReLU, SoftMax, and Cross Entropy

• پیاده‌سازی طبقه‌بندی چندکلاسه با Keras Implementing Multi-Class Classification Using Keras

• مسائل رگرسیون Regression Problem

• ترفندهای پیشرفته TensorFlow: روش‌های ساخت شبکه عصبی TensorFlow Advanced Tricks - Ways to Create Neural Networks

• متدهای Subclassing در TensorFlow TensorFlow - Subclassing Methods