آموزش برنامه‌نویسی هوش مصنوعی مولد: واحد ۲ - آخرین آپدیت

دانلود Programming Generative AI: Unit 2

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: با دوره جامع و تخصصی ما، با اطمینان وارد دنیای هوش مصنوعی مولد (Generative AI) شوید. این دوره به گونه‌ای طراحی شده است تا شما را به دانش بنیادی و تجربه عملی در پیشرفته‌ترین تکنیک‌های یادگیری عمیق مجهز کند. در این مسیر، مفاهیم ضروری نحوه تفسیر و تولید تصاویر و متن توسط کامپیوترها را خواهید آموخت؛ از مبانی نمایش تصاویر گرفته تا معماری‌های پیشرفته‌ای مانند شبکه‌های عصبی پیچشی (CNN) و اتوانکودرها. شما قدرت مدل‌های اتوانکودر تغییرپذیر (VAE) و مدل‌های دیفیوژن (Diffusion Models) را کشف خواهید کرد و می‌آموزید که چگونه این ابزارهای مدرن، انقلاب تولید و بهبود تصاویر را رقم زده‌اند. با انجام تمرینات عملی و استفاده از کتابخانه‌های استاندارد صنعت مانند PyTorch و Hugging Face، تجربه مستقیم ساخت و استقرار مدل‌های مولد برای تصویر و متن را کسب می‌کنید. در نهایت، با بررسی عمیق خط لوله‌های پردازش زبان طبیعی (NLP) و معماری‌های ترنسفورمر، قادر خواهید بود از مدل‌های زبانی بزرگ (LLM) برای کاربردهای واقعی بهره ببرید. در پایان این دوره، شما مجموعه‌ای قدرتمند از مهارت‌ها در هوش مصنوعی مولد خواهید داشت که شما را برای نوآوری در پژوهش‌ها، صنایع خلاق یا کسب‌وکارهای تکنولوژی‌محور آماده می‌کند. به ما بپیوندید و پتانسیل‌های خود را در حوزه به‌سرعت در حال رشد هوش مصنوعی آزاد کنید.

سرفصل ها و درس ها

برنامه‌نویسی هوش مصنوعی مولد: واحد ۲ Programming Generative AI: Unit 2

  • سرفصل‌ها Topics

  • نمایش تصاویر به صورت تنسور Representing Images as Tensors

  • الزامات بینایی ماشین Desiderata for Computer Vision

  • ویژگی‌های شبکه‌های عصبی پیچشی Features of Convolutional Neural Networks

  • کار با تصاویر در پایتون Working with Images in Python

  • مجموعه داده FashionMNIST The FashionMNIST Dataset

  • شبکه‌های عصبی پیچشی در PyTorch Convolutional Neural Networks in PyTorch

  • اجزای مدل متغیر پنهان (LVM) Components of a Latent Variable Model (LVM)

  • مبانی اتوانکودر The Humble Autoencoder

  • تعریف اتوانکودر با PyTorch Defining an Autoencoder with PyTorch

  • راه‌اندازی حلقه آموزش Setting up a Training Loop

  • استنتاج با اتوانکودر Inference with an Autoencoder

  • بدون نیاز به استخراج ویژگی Look Ma, No Features!

  • افزودن احتمال به اتوانکودرها (VAE) Adding Probability to Autoencoders (VAE)

  • استنتاج تغییرپذیر: فراتر از اتوانکودرها Variational Inference: Not Just for Autoencoders

  • تبدیل اتوانکودر به VAE Transforming an Autoencoder into a VAE

  • آموزش VAE با PyTorch Training a VAE with PyTorch

  • کاوش در فضای پنهان Exploring Latent Space

  • درونیابی فضای پنهان و بردارهای ویژگی Latent Space Interpolation and Attribute Vectors

  • سرفصل‌ها Topics

  • تولید به عنوان یک فرآیند بازگشت‌پذیر Generation as a Reversible Process

  • نمونه‌برداری به عنوان حذف نویز تکرارشونده Sampling as Iterative Denoising

  • Diffusers و اکوسیستم Hugging Face Diffusers and the Hugging Face Ecosystem

  • تولید تصاویر با خط لوله‌های Diffusers Generating Images with Diffusers Pipelines

  • کالبدشکافی فرآیند دیفیوژن Deconstructing the Diffusion Process

  • فرآیند پیشرو به عنوان انکودر Forward Process as Encoder

  • فرآیند معکوس به عنوان دکودر Reverse Process as Decoder

  • درونیابی مدل‌های دیفیوژن Interpolating Diffusion Models

  • ترجمه تصویر به تصویر با SDEdit Image-to-Image Translation with SDEdit

  • بازسازی و بهبود کیفیت تصویر Image Restoration and Enhancement

  • سرفصل‌ها Topics

  • خط لوله پردازش زبان طبیعی (NLP) The Natural Language Processing Pipeline

  • مدل‌های مولد زبان Generative Models of Language

  • تولید متن با خط لوله‌های ترنسفورمر Generating Text with Transformers Pipelines

  • کالبدشکافی خط لوله‌های ترنسفورمر Deconstructing Transformers Pipelines

  • استراتژی‌های رمزگشایی (Decoding) Decoding Strategies

  • ترنسفورمرها به عنوان مدل‌های متغیر پنهان برای توالی‌ها Transformers are Just Latent Variable Models for Sequences

  • تجسم و درک مکانیزم توجه (Attention) Visualizing and Understanding Attention

  • تبدیل کلمات به بردار Turning Words into Vectors

  • مدل فضای برداری The Vector Space Model

  • جاسازی توالی‌ها با ترنسفورمرها Embedding Sequences with Transformers

  • محاسبه شباهت بین Embeddingها Computing the Similarity Between Embeddings

  • جستجوی معنایی با Embeddingها Semantic Search with Embeddings

  • Embeddingهای تقابلی با Sentence Transformers Contrastive Embeddings with Sentence Transformers

نمایش نظرات

آموزش برنامه‌نویسی هوش مصنوعی مولد: واحد ۲
جزییات دوره
8h 26m
44
(آخرین آپدیت)
282
- از 5
دارد
دارد
دارد
Chris Croft
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