آموزش یادگیری عمیق سریع: بنیادهای Master AI در 15 روز - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• نمای کلی: یادگیری عمیق عملی Overview: Practical Deep Learning

[روز 1]: مبانی شبکه های عصبی: از مدل ها و نورونها گرفته تا تنش [Day 1]: Foundations of Neural Networks: From Models and Neurons to Tensors

• مواد مجلیه Course Materials

• نصب ابزارهای لازم (ویندوز) Installing the necessary tools (Windows)

• نصب ابزارهای لازم (لینوکس) Installing the necessary tools (Linux)

• نصب ابزارهای لازم (MACOS) Installing the necessary tools (macOS)

• اجرای یک پرونده اول Running a first file

• مدل چیست؟ What is a model?

• دانش خود را در مورد مبانی یادگیری ماشین و مدل ها آزمایش کنید Test your knowledge about the Foundations of Machine Learning and Models

• ایجاد یک نورون اول Developing a First Neuron

• دانش خود را در مورد ساختار و مدل ریاضی یک نورون آزمایش کنید Test Your Knowledge of the Structure and Mathematical Model of a Neuron

• اولین تنشور A First Tensor

• بسته بندی تانسور ، دسترسی به بردارها Unpacking Tensors, Accessing Vectors

• ماتریس در یک تانسور Matrix in a Tensor

• ایجاد یک مدل Creating a Model

• dtype یک تانسور The dtype of a Tensor

[روز 2]: آموزش نورون: از تنظیم پارامترها تا یادگیری دسته ای [Day 2]: Neuron Training: From Adjusting Parameters to Batch Learning

• آشنایی با آموزش نورون Introduction to Neuron Training

• یادگیری چیست؟ What is learning?

• دانش خود را در مورد نورون های آموزش و پارامترهای یادگیری آزمایش کنید Test your knowledge on Training Neurons and Learning Parameters

• چگونه نورون می آموزد: یک رویکرد مقیاس پذیر How Neuron Learns: A Scalable Approach

• دانش خود را در مورد عملکردهای از دست دادن ، نرخ یادگیری ، اولیه سازی پارامتر آزمایش کنید Test your knowledge on Loss Functions, Learning Rates, Parameter Initialization

• درک نزول شیب برای بهینه سازی نورون Understanding Gradient Descent for Neuron Optimization

• دانش خود را در مورد تبار شیب آزمایش کنید Test your knowledge on Gradient Descent

• آموزش نورون 1: آماده سازی و بهینه سازی Training a Neuron 1: Preparing and Optimizing

• بهینه سازی آموزش برای مدل نورون ما Optimizing Training for Our Neuron Model

• آموزش یک نورون 2: یادگیری تکراری و تنظیمات Training a Neuron 2: Iterative Learning and Adjustments

• دانش خود را در زمینه کار با داده ها و آموزش های تکراری آزمایش کنید Test your knowledge on Data Handling and Iterative Training

• اهمیت خطای متوسط ​​مربع در آموزش مدل The Importance of Mean Squared Error in Model Training

• یادگیری دسته ای و پیش بینی با Pytorch Batch Learning and Making Predictions with PyTorch

• دانش خود را در مورد یادگیری دسته ای ، عملکردهای از دست دادن و فرایند آموزش آزمایش کنید Test your knowledge on Batch Learning, Loss Functions and Training Process

[روز 3 و 4]: رگرسیون تک نورون: پیش بینی قیمت خودروهای استفاده شده با Pytorch [Day 3 & 4]: Single Neuron Regression: Predicting Used Car Prices with PyTorch

• [روز 3]: مقدمه ای برای پیش بینی قیمت ماشین استفاده شده [Day 3]: Introduction to Predicting Used Car Prices

• نمای کلی از مجموعه داده های قیمت ماشین استفاده شده Overview of the Used Car Price Dataset

• شروع کار با Jupyter: برنامه نویسی تعاملی پایتون Getting Started with Jupyter: Interactive Python Programming

• دانش خود را در مجموعه داده های ماشین استفاده شده و Jupyter آزمایش کنید Test your knowledge on Used Car Dataset and Jupyter

• کاوش در مجموعه داده های ماشین استفاده شده با پاندا Exploring the Used Car Dataset with Pandas

• بررسی روابط کلیدی داده برای آموزش مدل Investigating Key Data Relationships for Model Training

• دانش خود را در مورد اکتشاف و آماده سازی داده ها با پاندا آزمایش کنید Test your knowledge on Data Exploration and Preparation with Pandas

• نهایی کردن ستون های ورودی و هدف برای آموزش مدل Finalizing Input and Target Columns for Model Training

• ساختار داده ها برای ورودی مدل و اجرای پیش بینی اولیه Structuring Data for Model Input and Running an Initial Prediction

• آموزش مدل: تنظیم اولیه و چالش ها Training the Model: Initial Setup and Challenges

• دانش خود را در مورد آماده سازی داده ها و مراحل اولیه آموزش نورون آزمایش کنید Test your knowledge on Data Preparation and Initial Neuron Training Steps

• [روز 4]: درک عادی سازی خروجی برای یادگیری پایدار [Day 4]: Understanding Output Normalization for Stable Learning

• اجرای عادی سازی خروجی در Pytorch برای پیش بینی های مداوم Implementing Output Normalization in PyTorch for Consistent Predictions

• دانش خود را در مورد عادی سازی داده های خروجی آزمایش کنید Test your knowledge on Output Data Normalization

• درک عادی سازی ورودی برای آموزش مداوم Understanding Input Normalization for Consistent Training

• اجرای عادی سازی ورودی در Pytorch برای پیش بینی های بهبود یافته Implementing Input Normalization in PyTorch for Improved Predictions

• دانش خود را در مورد عادی سازی داده های ورودی آزمایش کنید Test your knowledge on Input Data Normalization

• آزمایش با پارامترهای آموزش از طریق تجسم ضرر Experimenting with Training Parameters Through Loss Visualization

• مدل صرفه جویی و بارگیری در Pytorch Saving and Loading Model in PyTorch

• دانش خود را در مورد تهیه داده ها ، آموزش مدل و ارزیابی آزمایش کنید Test your knowledge on Data Preparation, Model Training and Evaluation

• ورزش: اضافه کردن یک ستون اضافی به مدل Exercise: Adding an Additional Column to the Model

• راه حل: اضافه کردن یک ستون اضافی به مدل Solution: Adding an Additional Column to the Model

[روز 5 و 6]: طبقه بندی کننده نورون: تشخیص هرزنامه در پیام کوتاه [Day 5 & 6]: Neuron Classifier: Spam Detection in SMS

• [روز 5]: مقدمه ای برای تشخیص هرزنامه [Day 5]: Introduction to Spam Detection

• کاوش و پردازش مجموعه داده های هرزنامه پیام کوتاه Exploring and Preprocessing the SMS Spam Dataset

• با استفاده از Vectorizer Count برای تبدیل متن به داده های عددی Using Count Vectorizer to Transform Text into Numerical Data

• دانش خود را در مورد تشخیص هرزنامه و پیش پردازش متن آزمایش کنید Test your knowledge on Spam Detection and Text Preprocessing

• اختیاری/اضافی: کاوش در بردار TF-IDF برای پیش پردازش متن بهبود یافته Optional / Extra: Exploring TF-IDF Vectorizer for Improved Text Preprocessing

• آموزش مدل برای طبقه بندی هرزنامه Training the Model for Spam Classification

• بهینه سازی آموزش برای طبقه بندی کننده نورون ما Optimizing Training for Our Neuron Classifier

• درک عملکرد فعال سازی سیگموئید برای خروجی احتمال Understanding the Sigmoid Activation Function for Probability Output

• دانش خود را در مورد آموزش مدل و عملکرد سیگموئید برای تشخیص هرزنامه آزمایش کنید Test your knowledge on Model Training and Sigmoid Function for Spam Detection

• برای آموزش مؤثر به سمت از دست دادن آنتروپی باینری آنتروپی استفاده می شود Switching to Binary Cross Entropy Loss for Effective Training

• استفاده از BCE با Sigmoid برای محاسبه و پیش بینی از دست دادن Using BCE with Sigmoid for Loss Calculation and Prediction

• ارزیابی مدل با معیارهای عملکرد کلیدی Evaluating Model with Key Performance Metrics

• دانش خود را در مورد عملکردهای از دست دادن و معیارهای ارزیابی در تشخیص هرزنامه آزمایش کنید Test your knowledge on Loss Functions and Evaluation Metrics in Spam Detection

• [روز 6]: درک داده های آموزش ، اعتبار سنجی و آزمون در توسعه مدل [Day 6]: Understanding Training, Validation and Test Data in Model Development

• اجرای تقسیم داده های آموزش و اعتبار سنجی در پایتون Implementing Training and Validation Data Splits in Python

• استفاده و ارزیابی مدل در داده های تازه Applying and Evaluating the Model on Fresh Data

• دانش خود را در زمینه تقسیم بندی داده ها در توسعه مدل آزمایش کنید Test your knowledge on Data Segmentation in Model Development

• اختیاری/اضافی: بهبود تشخیص هرزنامه با تعبیه مدل زبان بزرگ Optional / extra: Improving Spam Detection with Large Language Model Embeddings

• اختیاری/اضافی: تولید تعبیه شده با BART برای تشخیص هرزنامه Optional / extra: Generating Embeddings with BART for Spam Detection

• اختیاری/اضافی: ساختاری برای تولید تعبیه برای تشخیص هرزنامه Optional / extra: Building a Function to Generate Embeddings for Spam Detection

• اختیاری/اضافی: ادغام تعبیه ها در فیلتر هرزنامه Optional / extra: Integrating Embeddings into the Spam Filter

• اختیاری/اضافی: دانش خود را در مورد تقویت تشخیص با تعبیه LLM آزمایش کنید Optional / extra: Test your knowledge on Enhancing Detection with LLM Embeddings

• دانش خود را در مورد تکنیک های تشخیص هرزنامه آزمایش کنید Test your knowledge on Spam Detection Techniques

[روز 6]: امتحان [Day 6]: Exam

• امتحان تمرین: دانش خود را تا کنون آزمایش کنید (1/2) PRACTICE EXAM: Test your knowledge so far (1/2)

[روز 7 و 8]: طبقه بندی شبکه عصبی: پیش بینی نتایج آزمون دانشجویی [Day 7 & 8]: Neural Network Classifier: Student Exam Results Prediction

• [روز 7]: از نورون تک گرفته تا شبکه های عصبی [Day 7]: From Single Neuron to Neural Networks

• اختیاری: درک عملکردهای فعال سازی در شبکه های عصبی Optional: Understanding Activation Functions in Neural Networks

• اختیاری/اضافی: کاوش غیرخطی و تأثیر آن در شبکه های عصبی Optional / extra: Exploring Nonlinearity and Its Impact on Neural Networks

• درک پشتیبان گیری در شبکه های عصبی Understanding Backpropagation in Neural Networks

• اختیاری: رمزگشایی ریاضیات backpropagation Optional: Decoding the Mathematics of Backpropagation

• دانش خود را در مورد اصول شبکه عصبی آزمایش کنید Test your knowledge on Neural Network Fundamentals

• تجزیه و تحلیل داده های عملکرد دانشجویی برای پیش بینی های امتحان Analyzing Student Performance Data for Exam Predictions

• اختیاری: استفاده از یک نورون واحد در داده های آزمون دانشجویی Optional: Applying a Single Neuron to Student Exam Data

• ساخت و آموزش اولین شبکه عصبی ما Building and Training Our First Neural Network

• بهینه سازی آموزش برای طبقه بندی کننده شبکه عصبی ما Optimizing Training for Our Neural Network Classifier

• دانش خود را در مورد تجزیه و تحلیل داده ها و آموزش شبکه عصبی آزمایش کنید Test your knowledge on Data Analysis and Neural Network Training

• ارزیابی عملکرد شبکه عصبی Evaluating Neural Network Performance

• ساده کردن کد با nn.equentential Simplifying the Code with nn.Sequential

• دانش خود را در مورد تکنیک های کاربرد شبکه عصبی آزمایش کنید Test your knowledge on Neural Network Application Techniques

• [روز 8]: معرفی عملکرد فعال سازی RELU [Day 8]: Introducing ReLU Activation Function

• بهینه سازی آموزش با آدم Optimizing Training with Adam

• دانش خود را در مورد بهینه سازی شبکه های عصبی با Relu و Adam آزمایش کنید Test your knowledge on Optimizing Neural Networks with ReLU and Adam

• اجرای یادگیری مینی دسته ای برای آموزش کارآمد Implementing Mini-Batch Learning for Efficient Training

• بهینه سازی ردیابی از دست دادن در آموزش مینی دسته Optimizing Loss Tracking in Mini-Batch Training

• دانش خود را در مورد مفاهیم اساسی شبکه عصبی آزمایش کنید Test your knowledge on Essential Neural Network Concepts

[روز 8]: ورزش: طبقه بندی تأیید وام [Day 8]: Exercise: Loan Approval Classification

• مقدمه پیش بینی تأیید وام Introduction to Loan Approval Prediction

• کاوش در مجموعه داده های تأیید وام Exploring the Loan Approval Dataset

• راه حل قسمت 1: تهیه داده ها برای مدل تأیید وام Solution Part 1: Preparing Data for the Loan Approval Model

• راه حل قسمت 2: ساختمان و آموزش مدل تأیید وام Solution Part 2: Building and Training the Loan Approval Model

[روز 9 و 10]: شبکه عصبی برای طبقه بندی چند طبقه: رقم دست نویس [Day 9 & 10]: Neural Network for Multi-Class Classification: Handwritten Digits

• [روز 9]: مقدمه طبقه بندی رقم دست نویس [Day 9]: Introduction to Handwritten Digit Classification

• کاوش در داده های MNIST با مشعل Exploring MNIST Data with TorchVision

• از مجموعه داده تا Dataloader: تهیه داده ها برای شبکه عصبی From Dataset to DataLoader: Preparing Data for Neural Network

• دانش خود را در مورد آماده سازی داده ها برای آموزش شبکه عصبی آزمایش کنید Test your knowledge on Data Preparation for Neural Network Training

• ساخت یک طبقه بندی باینری برای 0 تشخیص Building a Binary Classifier for 0 Detection

• ارزیابی طبقه بندی باینری برای تشخیص 0 Evaluating the Binary Classifier for 0 Detection

• دانش خود را در مورد ضروری طبقه بندی باینری آزمایش کنید Test your knowledge on Binary Classifier Essentials

• طبقه بندی چند طبقه در شبکه های عصبی Multi-Class Classification in Neural Networks

• درک رمزگذاری یک داغ Understanding One-Hot Encoding

• دانش خود را در مورد تهیه داده ها برای طبقه بندی چند طبقه آزمایش کنید Test your knowledge on Preparing Data for Multi-Class Classification

• آموزش یک شبکه عصبی برای طبقه بندی چند طبقه Training a Neural Network for Multi-Class Classification

• بهینه سازی آموزش برای طبقه بندی چند طبقه شبکه عصبی ما Optimizing Training for Our Neural Network Multi-Class Classifier

• ارزیابی یک شبکه عصبی برای طبقه بندی چند طبقه Evaluating a Neural Network for Multi-Class Classification

• دانش خود را در مورد تنظیمات شبکه عصبی برای طبقه بندی چند طبقه آزمایش کنید Test your knowledge on Neural Network Adjustments for Multi-Class Classification

• [روز 10]: درک SoftMax برای عادی سازی احتمال کلاس [Day 10]: Understanding Softmax for Class Probability Normalization

• استفاده از softmax در شبکه عصبی Applying Softmax in Neural Network

• آزمایش با معماری های مختلف شبکه عصبی Experimenting with Different Neural Network Architectures

• دانش خود را در مورد SoftMax و معماری شبکه آزمایش کنید Test your knowledge on Softmax and Network Architecture

• درک بیش از حد در شبکه های عصبی Understanding Overfitting in Neural Networks

• نشان دادن بیش از حد در آموزش شبکه عصبی Demonstrating Overfitting in Neural Network Training

• استراتژی هایی برای مقابله با بیش از حد Strategies to Counter Overfitting

• دانش خود را در مورد بیش از حد در شبکه عصبی آزمایش کنید Test your knowledge on Overfitting in Neural Network

• اختیاری/اضافی: استفاده از یک شبکه عصبی برای تصاویر سفارشی Optional / extra: Applying a Neural Network to Custom Images

• اختیاری/اضافی: غلبه بر چالش های پیش پردازش در کاربرد مدل Optional / extra: Overcoming Preprocessing Challenges in Model Application

• دانش خود را بر روی اصول طبقه بندی کننده چند طبقه آزمایش کنید Test your knowledge on Multi-Class Classifier Fundamentals

[روز 11 و 12]: شبکه های حلقوی: طبقه بندی کالای مد (چند طبقه) [Day 11 & 12]: Convolutional Networks: Fashion Item Classification (multi-class)

• [روز 11]: مقدمه ای بر شبکه های عصبی حلقوی [Day 11]: Introduction to Convolutional Neural Networks

• کاوش در مورد داده های mnist مد Exploring Fashion MNIST Data

• اختیاری: ارزیابی عملکرد مدل قبلی در داده های MNIST مد Optional: Assessing Previous Model Performance on Fashion MNIST Data

• کاوش در تشخیص لبه با اپراتور Sobel Exploring Edge Detection with the Sobel Operator

• دانش خود را در مورد اصول CNN و پردازش تصویر آزمایش کنید Test your knowledge on CNN Basics and Image Processing

• درک ساختار شبکه های عصبی حلقوی برای تشخیص لبه Understanding the Structure of Convolutional Neural Networks for Edge Detection

• قسمت 1: اجرای CNN Part 1: Implementing a CNN

• قسمت 2: پیشبرد اجرای CNN Part 2: Advancing CNN Implementation

• دانش خود را در مورد معماری و عملکرد CNN آزمایش کنید Test your knowledge on CNN Architecture and Functionality

• آموزش بهینه سازی برای CNN ما Optimizing Training for Our CNN

• کاهش پیچیدگی CNN با جمع آوری حداکثر Reducing CNN Complexity with Max Pooling

• دانش خود را در مورد جمع آوری حداکثر در CNN آزمایش کنید Test your knowledge on Max Pooling in CNNs

• استفاده از شتاب GPU با Pytorch Utilizing GPU Acceleration with PyTorch

• اختیاری: فعال کردن CUDA در GPU های Nvidia Optional: Enabling CUDA on NVIDIA GPUs

• اعمال GPU رایگان Google Colab Leveraging Google Colab's Free GPU

• بهینه سازی محاسبات تانسور در GPU Optimizing Tensor Computations on GPU

• اجرای مدل ساده در GPU Running Simple Model on GPU

• تسریع سرعت اجرای CNN با GPU Accelerating CNN Execution Speed with GPU

• دانش خود را در مورد استفاده از GPU با Pytorch آزمایش کنید Test your knowledge on Utilizing GPUs with PyTorch

• [روز 12]: پیشبرد پیچیدگی CNN [Day 12]: Advancing CNN Complexity

• افزایش عملکرد CNN با افزایش پیچیدگی فیلتر Enhancing CNN Performance with Increased Filter Complexity

• دانش خود را در تنظیمات لایه CNN آزمایش کنید Test your knowledge on CNN Layer Configurations

• معرفی ترک تحصیل برای تعمیم بهتر Introducing Dropout for Improved Generalization

• بهینه سازی CNN با لایه های ترک تحصیل Optimizing CNN with Dropout Layers

• پالایش CNN با عادی سازی دسته ای Refining CNN with Batch Normalization

• دانش خود را در مورد عادی سازی ترک تحصیل و گروه آزمایش کنید Test your knowledge on Dropout and Batch Normalization

• اختیاری: درک ریاضیات عادی سازی دسته ای Optional: Understanding the Mathematics of Batch Normalization

• اختیاری/اضافی: کاربرد تشخیص بیش از حد و نهایی سازی مدل Optional / extra: Application of Overfitting Detection and Model Finalization

• دانش خود را در مورد تکنیک های کلیدی CNN آزمایش کنید Test your knowledge on Key CNN Techniques

[روز 13 و 14]: یادگیری را با RESNET برای پیش بینی کیفیت تایر انتقال دهید [Day 13 & 14]: Transfer Learning with ResNet for Tire Quality Prediction

• [روز 13]: مقدمه ای برای انتقال یادگیری و پیش بینی کیفیت تایر [Day 13]: Introduction to Transfer Learning and Tire Quality Prediction

• تهیه مجموعه داده با کیفیت تایر Preparing the Tire Quality Dataset

• کاوش در مجموعه داده کیفیت تایر Exploring the Tire Quality Dataset

• مقدمه ای برای RESNET در یادگیری انتقال An Introduction to ResNet in Transfer Learning

• با استفاده از RESNET-50 برای طبقه بندی تصویر یک گربه Using ResNet-50 to Classify an Image of a Cat

• دانش خود را در مورد یادگیری انتقال و resnet آزمایش کنید Test your knowledge of Transfer Learning and ResNet

• اختیاری/اضافی: کاوش در مقاله تحقیق Resnet Optional / extra: Exploring the ResNet Research Paper

• تهیه داده برای آموزش resnet Preparing Data for ResNet Training

• قسمت 1: سفارشی سازی RESNET-50 برای پیش بینی کیفیت تایر Part 1: Customizing ResNet-50 for Tire Quality Prediction

• قسمت 2: ایجاد یک مدل یادگیری انتقال برای پیش بینی کیفیت تایر Part 2: Building a Transfer Learning Model for Tire Quality Prediction

• دانش خود را در مورد تهیه و اصلاح RESNET برای یادگیری انتقال آزمایش کنید Test your knowledge on Preparing and Modifying ResNet for Transfer Learning

• [روز 14]: قسمت 3: آموزش مدل یادگیری انتقال [Day 14]: Part 3: Training the Transfer Learning Model

• قسمت 4: ارزیابی عملکرد مدل و پرداختن به بیش از حد Part 4: Evaluating Model Performance and Addressing Overfitting

• دانش خود را در مورد آموزش و ارزیابی یک مدل یادگیری انتقال آزمایش کنید Test your knowledge on Training and Evaluating a Transfer Learning Model

• افزایش داده ها برای مبارزه با بیش از حد Data Augmentation for Combating Overfitting

• ادغام افزایش داده ها در آموزش مدل برای بهبود دقت Integrating Data Augmentation into Model Training for Improved Accuracy

• دانش خود را در مورد تقویت مدل ها با افزایش داده ها آزمایش کنید Test your knowledge on Enhancing Models with Data Augmentation

• تطبیق وزن مدل برای سازگاری جهانی Adapting Model Weights for Universal Compatibility

• با استفاده از مدل آموزش دیده برای پیش بینی کیفیت تایر Using the Trained Model to Predict Tire Quality

• رویکردهای آزمایش برای استقرار مدل تایر Testing Approaches for Tire Model Deployment

• دانش خود را در مورد پیش بینی کیفیت تایر و یادگیری انتقال آزمایش کنید Test your knowledge on Tire Quality Prediction and Transfer Learning

[روز 15]: استقرار مدل های AI با Gradio: از تنظیم تا پیش بینی های دنیای واقعی [Day 15]: Deploying AI Models with Gradio: From Setup to Real-World Predictions

• مقدمه ای برای استقرار مدل های AI با Gradio Introduction to Deploying AI Models with Gradio

• شروع با Gradio برای برنامه های ساده AI Getting Started with Gradio for Simple AI Apps

• بارگذاری و پردازش تصاویر با Gradio Uploading and Processing Images with Gradio

• دانش خود را در مورد ادغام مدل Gradio و AI آزمایش کنید Test your knowledge on Gradio and AI Model Integration

• ادغام Gradio با Pytorch برای پیش بینی Integrating Gradio with PyTorch for Predictions

• استقرار Gradio برای پیش بینی تایر در دنیای واقعی Deploying Gradio for Real-World Tire Predictions

• دانش خود را در آزمایش دنیای واقعی برنامه های Gradio آزمایش کنید Test your knowledge on Real-World Testing of Gradio Apps

[روز 15]: امتحان [Day 15]: Exam

• امتحان تمرین: دانش خود را تا کنون آزمایش کنید (2/2) PRACTICE EXAM: Test your knowledge so far (2/2)

بسته شدن کلمات Closing words

• بسته شدن کلمات Closing words