آموزش جامع یادگیری ماشین (Machine Learning) - آخرین آپدیت

مقدمه‌ای ساده بر یادگیری ماشین Simple Introduction to Machine Learning

• چرا یادگیری ماشین هیجان‌انگیز است؟ Why Machine Learning Is Exciting

• یادگیری ماشین چیست؟ What Is Machine Learning?

• رگرسیون لجستیک Logistic Regression

• تفسیر رگرسیون لجستیک Interpretation of Logistic Regression

• انگیزه برای استفاده از پرسپترون چندلایه Motivation for Multilayer Perceptron

• مفاهیم پرسپترون چندلایه Multilayer Perceptron Concepts

• مدل ریاضی پرسپترون چندلایه Multilayer Perceptron Math Model

• یادگیری عمیق Deep Learning

• مثال: تحلیل سند Example: Document Analysis

• تفسیر پرسپترون چندلایه Interpretation of Multilayer Perceptron

• یادگیری انتقالی Transfer Learning

• انتخاب مدل Model Selection

• تاریخچه اولیه شبکه‌های عصبی Early History of Neural Networks

• ساختار سلسله‌مراتبی تصاویر Hierarchical Structure of Images

• فیلترهای کانولوشن Convolution Filters

• شبکه عصبی پیچشی (CNN) Convolutional Neural Network

• مدل ریاضی CNN CNN Math Model

• مدل چگونه یاد می‌گیرد؟ How the Model Learns

• مزایای ویژگی‌های سلسله‌مراتبی Advantages of Hierarchical Features

• استفاده از CNN روی تصاویر واقعی CNN on Real Images

• کاربردها در محیط واقعی و عملی Applications in Use and Practice

• یادگیری عمیق و یادگیری انتقالی Deep Learning and Transfer Learning

• آشنایی با PyTorch Introduction to PyTorch

مبانی یادگیری مدل Basics of Model Learning

• یادگیری را چگونه تعریف می‌کنیم؟ How Do We Define Learning?

• شبکه‌های خود را چگونه ارزیابی می‌کنیم؟ How Do We Evaluate Our Networks?

• شبکه خود را چگونه آموزش می‌دهیم؟ How Do We Learn Our Network?

• داده‌های حجیم (Big Data) را چگونه مدیریت می‌کنیم؟ How Do We Handle Big Data?

• توقف زودهنگام (Early Stopping) Early Stopping

• یادگیری مدل با PyTorch Model Learning with PyTorch

تحلیل تصویر با شبکه‌های عصبی پیچشی (CNN) Image Analysis with Convolutional Neural Networks

• مطالعه موردی: رتینوپاتی دیابتی Motivation: Diabetic Retinopathy

• تجزیه کانولوشن (یک‌بعدی و دوبعدی) Breakdown of the Convolution (1D and 2D)

• اجزای اصلی لایه پیچشی Core Components of the Convolutional Layer

• توابع فعال‌ساز Activation Functions

• لایه‌های Pooling و Fully Connected Pooling and Fully Connected Layers

• آموزش شبکه Training the Network

• یادگیری انتقالی و تنظیم دقیق (Fine Tuning) Transfer Learning and Fine-Tuning

• پیاده‌سازی CNN با PyTorch CNN with PyTorch

شبکه‌های عصبی بازگشتی برای پردازش زبان طبیعی (NLP) Recurrent Neural Networks for Natural Language Processing

• مقدمه‌ای بر مفهوم بردارهای کلمات Introduction to the Concept of Word Vectors

• تبدیل کلمات به بردار Words to Vectors

• مثالی از جاسازی کلمات (Word Embeddings) Example of Word Embeddings

• مدل عصبی متن Neural Model of Text

• تابع Softmax The Softmax Function

• روش‌های یادگیری پارامترهای مدل Methods for Learning Model Parameters

• جزئیات بیشتر در مورد یادگیری پارامترهای مدل More Details on How to Learn Model Parameters

• شبکه عصبی بازگشتی (RNN) The Recurrent Neural Network

• حافظه طولانی کوتاه‌مدت (LSTM) Long Short-Term Memory

• مرور مفاهیم LSTM Long Short-Term Memory Review

• استفاده از LSTM برای سنتز متن Use of LSTM for Text Synthesis

• روش‌های جایگزین ساده و موثر برای NLP عصبی Simple and Effective Alternative Methods for Neural NLP

• پردازش زبان طبیعی با PyTorch Natural Language Processing with PyTorch

شبکه ترنسفورمر برای پردازش زبان طبیعی The Transformer Network for Natural Language Processing

• بردارهای کلمات و تفسیر آن‌ها Word Vectors and Their Interpretation

• روابط بین بردارهای کلمات Relationships Between Word Vectors

• ضرب داخلی بین بردارهای کلمات Inner Products Between Word Vectors

• درک معنای ضرب داخلی بردارهای کلمات Intuition Into Meaning of Inner Products of Word Vectors

• مقدمه‌ای بر مکانیسم توجه (Attention) Introduction of Attention Mechanism 

• پرس‌وجوها (Queries)، کلیدها (Keys) و مقادیر (Values) در شبکه توجه Queries, Keys, and Values of Attention Network

• خود-توجهی (Self Attention) و رمزگذاری‌های موقعیتی Self-Attention and Positional Encodings

• رمزگذار توالی مبتنی بر توجه Attention-Based Sequence Encoder

• اتصال رمزگذار و رمزگشای توالی Coupling the Sequence Encoder and Decoder 

• توجه متقاطع در مدل توالی به توالی (Seq2Seq) Cross Attention in the Sequence-to-Sequence Model

• توجه چندسره (Multi-Head Attention) Multi-Head Attention

• شبکه کامل ترنسفورمر The Complete Transformer Network

مقدمه‌ای بر یادگیری تقویت‌شده Introduction to Reinforcement Learning

• مقدمه‌ای بر یادگیری تقویت‌شده Introduction to Reinforcement Learning

• تنظیمات مسئله یادگیری تقویت‌شده Reinforcement Learning Problem Setup

• مثالی از یادگیری تقویت‌شده در عمل Example of Reinforcement Learning in Practice

• یادگیری تقویت‌شده با PyTorch Reinforcement Learning with PyTorch

• انتقال به سیاست غیرکوتاه‌بینانه Moving to a Non-Myopic Policy

• یادگیری Q (Q-Learning) Q Learning

• توسعه‌های یادگیری Q Extensions of Q Learning

• محدودیت‌های Q-Learning و مقدمه‌ای بر Deep Q-Learning Limitations of Q Learning, and Introduction to Deep Q Learning

• یادگیری عمیق Q بر اساس تصاویر Deep Q Learning Based on Images

• اتصال Deep Q-Learning به Q-Learning سنتی Connecting Deep Q Learning with Conventional Q Learning