🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش شبیهسازی با اپراتورهای عصبی عمیق (DeepONets)
- آخرین آپدیت
دانلود Simulation By Deep Neural Operator (DeepONets)
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
شبیهسازی با هوش مصنوعی با استفاده از داده
دوره جامع ما شما را با مهارتهای لازم برای استفاده موثر از شبیهسازی با اپراتورهای عصبی عمیق تجهیز میکند. به مفاهیم ضروری حل معادلات دیفرانسیل جزئی (PDEs) خواهیم پرداخت و نحوه ساخت کد شبیهسازی از طریق کاربرد شبکههای اپراتور عمیق (DeepONet) با استفاده از دادههای تولید شده از حل معادلات دیفرانسیل جزئی با روش تفاضل محدود (FDM) را نشان خواهیم داد.
در این دوره مهارتهای زیر را خواهید آموخت:
درک ریاضیات پشت روش تفاضل محدود.
نوشتن و ساخت الگوریتمها از ابتدا برای حل روش تفاضل محدود.
درک ریاضیات پشت معادلات دیفرانسیل جزئی (PDEs).
نوشتن و ساخت الگوریتمهای یادگیری ماشین برای ساخت کد شبیهسازی با اپراتورهای عصبی عمیق با استفاده از PyTorch.
نوشتن و ساخت الگوریتمهای یادگیری ماشین برای ساخت کد شبیهسازی با اپراتورهای عصبی عمیق با استفاده از DeepXDE.
مقایسه نتایجروش تفاضل محدود (FDM) با اپراتور عصبی عمیق با استفاده از شبکه اپراتور عمیق (DeepONet).
مباحثی که پوشش خواهیم داد:
مبانی ماتریس و تنسور در PyTorch.
راه حل عددی روش تفاضل محدود (FDM) برای معادله گرما یکبعدی.
اپراتور عصبی عمیق برای انجام انتگرالگیری معادلات دیفرانسیل معمولی (ODE).
اپراتور عصبی عمیق برای انجام شبیهسازی معادله گرما یکبعدی با استفاده از PyTorch.
اپراتور عصبی عمیق برای انجام شبیهسازی معادله گرما یکبعدی با استفاده از DeepXDE.
اپراتور عصبی عمیق برای انجام شبیهسازی حرکت سیال دوبعدی با استفاده از DeepXDE.
اگر تجربه قبلی در یادگیری ماشین یا مهندسی محاسباتی ندارید، نگران نباشید. این دوره جامع است و درک کاملی از یادگیری ماشین و جنبههای ضروری معادلات دیفرانسیل جزئی و شبیهسازی با اپراتورهای عصبی عمیق را با بکارگیری شبکه اپراتور عمیق (DeepONet) ارائه میدهد.
بیایید از یادگیری PINNs با هم لذت ببریم!
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه
Introduction
نصب Anaconda
Installing Anaconda
ساختار دوره
Course structure
عملگر عصبی عمیق
Deep Neural Operator
مبانی PyTorch
Pytorch Basics
نظریه یادگیری عمیق
Deep Learning Theory
مبانی تنسورهای PyTorch
PyTorch Tensors Basics
تنسورها به آرایههای NumPy
Tensors to NumPy arrays
نظریه پسانتشار خطا (Backpropagation)
Backpropagation Theory
پسانتشار خطا با استفاده از PyTorch
Backpropagation using PyTorch
حل عددی معادله گرمای یک بعدی با روش تفاضلات محدود (FDM)
FDM Numerical Solution 1D Heat Equation
نظریه حل عددی
Numerical solution theory
پیشپردازش (Pre-processing)
Pre-processing
حل معادله
Solving the Equation
پسپردازش (Post-processing)
Post-processing
استفاده از عملگر عصبی برای انتگرالگیری معادلات دیفرانسیل معمولی (ODE) با PyTorch
ODE Integration Neural Operator using PyTorch
ایجاد دادهها
Data creation
پیشپردازش دادهها – بخش ۱
Data Preprocessing - Part 1
پیشپردازش دادهها – بخش ۲
Data Preprocessing - Part 2
ساخت مدل
Model Build Up
فرآیند آموزش (Training)
Training Process
ارزیابی نتایج
Results Evaluation
استفاده از عملگر عصبی برای معادله گرمای یک بعدی با PyTorch
1D Heat Equation Neural Operator using PyTorch
ایجاد دادهها
Data creation
پیشپردازش دادهها – بخش ۱
Data Preprocessing - Part 1
پیشپردازش دادهها – بخش ۲
Data Preprocessing - Part 2
ساخت مدل
Model Build Up
فرآیند آموزش (Training)
Training Process
ارزیابی نتایج
Results Evaluation
استفاده از عملگر عصبی برای معادله گرمای یک بعدی با DeepXDE
1D Heat Equation Neural Operator using DeepXDE
ایجاد دادهها
Data creation
پیشپردازش دادهها
Data Preprocessing
ساخت مدل
Model Build Up
فرآیند آموزش (Training)
Training Process
ارزیابی نتایج
Results Evaluation
استفاده از عملگر عصبی برای سیالات دو بعدی با DeepXDE
2D Fluid Neural Operator using DeepXDE
نمایش نظرات