آموزش پایتون برای یادگیری عمیق و هوش مصنوعی

سرفصل ها و درس ها

راه اندازی دوره Course Setup

• معرفی دوره و نحوه دانلود فایل های کد Course Introduction and How to Download Code Files

• معرفی Google Colab Google Colab Introduction

• راه اندازی محیط یادگیری عمیق [اختیاری] Deep Learning Environment Setup [Optional]

• معرفی نوت بوک Jupyter Jupyter Notebook Introduction

پایتون برای یادگیری عمیق Python for Deep Learning

• مقدمه پایتون قسمت 1 Python Introduction Part 1

• مقدمه پایتون قسمت 2 Python Introduction Part 2

• مقدمه پایتون قسمت 3 Python Introduction Part 3

• Numpy مقدمه قسمت 1 Numpy Introduction Part 1

• Numpy مقدمه قسمت 2 Numpy Introduction Part 2

• معرفی پانداها Pandas Introduction

• Matplotlib مقدمه قسمت 1 Matplotlib Introduction Part 1

• Matplotlib مقدمه قسمت 2 Matplotlib Introduction Part 2

• Seaborn مقدمه قسمت 1 Seaborn Introduction Part 1

• Seaborn مقدمه قسمت 2 Seaborn Introduction Part 2

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• مقدمه یادگیری ماشین کلاسیک Classical Machine Learning Introduction

• رگرسیون لجستیک Logistic Regression

• ماشین بردار پشتیبانی - SVM Support Vector Machine - SVM

• درخت تصمیم Decision Tree

• جنگل تصادفی Random Forest

• تنظیم L2 L2 Regularization

• L1 منظم سازی L1 Regularization

• ارزیابی مدل Model Evaluation

• منحنی ROC-AUC ROC-AUC Curve

• کد همراه در پایتون قسمت 1 Code Along in Python Part 1

• کد همراه در پایتون قسمت 2 Code Along in Python Part 2

• کد همراه در پایتون قسمت 3 Code Along in Python Part 3

• کد همراه در پایتون قسمت 4 Code Along in Python Part 4

مقدمه ای بر یادگیری عمیق و TensorFlow Introduction to Deep Learning and TensorFlow

• معرفی فرآیند یادگیری ماشین Machine Learning Process Introduction

• انواع یادگیری ماشینی Types of Machine Learning

• یادگیری تحت نظارت Supervised Learning

• یادگیری بدون نظارت Unsupervised Learning

• یادگیری تقویتی Reinforcement Learning

• یادگیری عمیق و ML چیست؟ What is Deep Learning and ML

• شبکه عصبی چیست؟ What is Neural Network

• فرآیند یادگیری عمیق چگونه کار می کند How Deep Learning Process Works

• کاربرد یادگیری عمیق Application of Deep Learning

• ابزارهای یادگیری عمیق Deep Learning Tools

• Mlop با AWS MLops with AWS

پروژه یادگیری عمیق پایان به پایان End to End Deep Learning Project

• نورون چیست؟ What is Neuron

• پرسپترون چند لایه Multi-Layer Perceptron

• شبکه های عصبی کم عمق در مقابل شبکه های عصبی عمیق Shallow vs Deep Neural Networks

• تابع فعال سازی Activation Function

• پس انتشار چیست؟ What is Back Propagation

• بهینه سازها در یادگیری عمیق Optimizers in Deep Learning

• مراحل ساخت شبکه عصبی Steps to Build Neural Network

• بارگیری مجموعه داده ها از دست دادن مشتری Customer Churn Dataset Loading

• تجسم داده قسمت 1 Data Visualization Part 1

• تجسم داده ها قسمت 2 Data Visualization Part 2

• پیش پردازش داده ها Data Preprocessing

• وارد کردن API های شبکه های عصبی Import Neural Networks APIs

• نحوه دریافت شکل ورودی و وزن کلاس How to Get Input Shape and Class Weights

• ساختمان مدل شبکه عصبی Neural Network Model Building

• توضیح خلاصه مدل Model Summary Explanation

• آموزش مدل Model Training

• ارزیابی مدل Model Evaluation

• ذخیره و بارگذاری مدل Model Save and Load

• پیش بینی بر روی داده های زندگی واقعی Prediction on Real-Life Data

مقدمه ای بر بینایی کامپیوتر با یادگیری عمیق Introduction to Computer Vision with Deep Learning

• مقدمه ای بر بینایی کامپیوتر با یادگیری عمیق Introduction to Computer Vision with Deep Learning

• 5 مرحله ساخت مدل بینایی کامپیوتری 5 Steps of Computer Vision Model Building

• Fashion MNIST Dataset دانلود Fashion MNIST Dataset Download

• Fashion MNIST تجزیه و تحلیل مجموعه داده ها Fashion MNIST Dataset Analysis

• تقسیم تست قطار برای داده ها Train Test Split for Data

• ساختمان مدل شبکه عصبی عمیق Deep Neural Network Model Building

• خلاصه مدل و آموزش Model Summary and Training

• کشف Overfitting - توقف زودهنگام Discovering Overfitting - Early Stopping

• ذخیره و بارگذاری مدل برای پیش بینی Model Save and Load for Prediction

مقدمه ای بر شبکه های عصبی کانولوشن [تئوری و شهود] Introduction to Convolutional Neural Networks [Theory and Intuitions]

• شبکه عصبی کانولوشن چیست؟ What is Convolutional Neural Network?

• اصل کاری CNN Working Principle of CNN

• فیلترهای کانولوشنال Convolutional Filters

• ویژگی نقشه ها Feature Maps

• پدینگ و گام‌ها Padding and Strides

• لایه های ترکیبی Pooling Layers

• تابع فعال سازی Activation Function

• ترک تحصیل Dropout

• مقایسه معماری CNN CNN Architectures Comparison

• معماری LeNet-5 توضیح داده شد LeNet-5 Architecture Explained

• معماری AlexNet توضیح داده شده است AlexNet Architecture Explained

• معماری GoogLeNet (Inception V1) توضیح داده شد GoogLeNet (Inception V1) Architecture Explained

• RestNet Architecture توضیح داده شده است RestNet Architecture Explained

• معماری MobileNet توضیح داده شد MobileNet Architecture Explained

• معماری EfficientNet توضیح داده شد EfficientNet Architecture Explained

طبقه بندی اسب ها در مقابل انسان ها با CNN ساده Horses vs Humans Classification with Simple CNN

• نمای کلی طبقه بندی تصاویر با استفاده از CNN Overview of Image Classification using CNNs

• مقدمه ای بر مجموعه داده های TensorFlow (TFDS) Introduction to TensorFlow Datasets (TFDS)

• دانلود مجموعه داده انسان یا اسب قسمت 1 Download Humans or Horses Dataset Part 1

• دانلود مجموعه داده انسان یا اسب قسمت 2 Download Humans or Horses Dataset Part 2

• استفاده از Image Data Generator Use of Image Data Generator

• نمایش داده ها در ماتریس Subplots Data Display in Subplots Matrix

• CNN مقدمه CNN Introduction

• ساخت مدل CNN Building CNN Model

• محاسبه پارامتر CNN CNN Parameter Calculation

• محاسبات پارامتر CNN قسمت 2 CNN Parameter Calculations Part 2

• قسمت 3 محاسبات پارامتر CNN CNN Parameter Calculations Part 3

• آموزش مدل Model Training

• بارگذاری و ذخیره مدل Model Load and Save

• پیش بینی کلاس تصویری Image Class Prediction

طبقه‌بندی گربه‌ها و سگ‌ها با CNN منظم Building Cats and Dogs Classifier with Regularized CNN

• Overfitting چیست What is Overfitting

• L1، L2 و منظم سازی توقف زودهنگام L1, L2 and Early Stopping Regularization

• چگونه انحراف و عادی سازی دسته ای مانع از برازش بیش از حد می شود How Dropout and Batch Normalization Prevents Overfitting

• افزایش داده چیست [نظریه] What is Data Augmentation [Theory]

• نمونه بارگذاری داده با ImageDataGenerator برای تقویت Sample Data Load with ImageDataGenerator for Augmentation

• افزایش چرخش تصادفی Random Rotation Augmentation

• افزایش تصادفی شیفت Random Shift Augmentation

• انواع دیگر افزایش داده ها Other Types of Data Augmentation

• همه انواع تقویت در یک زمان All Types of Augmentation at Once

• دانلود داده‌های TensorFlow TFDS و Cats vs Dogs TensorFlow TFDS and Cats vs Dogs Data Download

• ذخیره داده ها در فهرست محلی Store Data in Local Directory

• بارگذاری مجموعه داده برای طبقه‌بندی‌کننده پایه Load Dataset for Baseline Classifier

• ساخت طبقه بندی کننده CNN خط پایه Building Baseline CNN Classifier

• نحوه محاسبه اندازه لایه های خروجی CNN و MaxPool How to Calculate Size of Output Layers of CNN and MaxPool

• نحوه محاسبه تعداد پارامترها در CNN و FCN How to Calculate Number of Parameters in CNN and FCN

• آموزش مدل و تجزیه و تحلیل لایه ها Model Training and Layers Analysis

• نمودار دقت آموزش و اعتبارسنجی مدل Model Training and Validation Accuracy Plot

• ایجاد مجموعه داده برای CNN منظم Building Dataset for Regularized CNN

• ساختمان و آموزش مدل CNN منظم Regularized CNN Model Building and Training

• تجزیه و تحلیل گزارش های آموزشی Training Log Analysis

• مدل را بارگذاری کنید و پیش بینی را انجام دهید Load Model and Do the Prediction

• تجسم مدل CNN CNN Model Visualization

طبقه بندی گل ها با آموزش انتقال و CNN Flowers Classification with Transfer Learning and CNN

• مقدمه آموزش انتقالی Transfer Learning Introduction

• بارگذاری مجموعه داده گل ها برای طبقه بندی Load Flowers Dataset for Classification

• داده های گل ها را دانلود کنید Download Flowers Data

• تجسم داده های گل Flowers Data Visualization

• آماده سازی داده ها با Image Data Generator Preparing Data with Image Data Generator

• ساختمان مدل پایه CNN Baseline CNN Model Building

• نحوه محاسبه تعداد پارامترها در CNN How to Calculate Number of Parameters in CNN

• آموزش مدل پایه CNN Baseline CNN Model Training

• مدل قطار با داده های TFDS بدون ذخیره محلی قسمت 1 Train Model with TFDS Data Without Saving Locally Part 1

• مدل قطار با داده های TFDS بدون ذخیره محلی قسمت 2 Train Model with TFDS Data Without Saving Locally Part 2

• VGG16 را از Keras وارد کنید import VGG16 from Keras

• افزایش داده برای آموزش Data Augmentation for Training

• ساخت مدل CNN با VGG16 Transfer Learning Make CNN Model with VGG16 Transfer Learning

• آموزش مدل برای دقت بهتر Model Training for Better Accuracy

• هر مدلی را برای آموزش انتقالی آموزش دهید Train Any Model for Transfer Learning

• ذخیره و بارگذاری مدل با نام کلاس ها Save and Load Model with Class Names

• کلاس های آنلاین پیش بینی گل Online Prediction of Flowers Classes

مقدمه ای بر NLP Introduction to NLP

• مقدمه ای بر NLP Introduction to NLP

• تکنیک های کلیدی NLP چیست؟ What are Key NLP Techniques

• مروری بر ابزار NLP Overview of NLP Tools

• چالش های رایج در NLP Common Challenges in NLP

• کیسه کلمات - تکنیک جاسازی کلمات ساده Bag of Words - The Simples Word Embedding Technique

• فرکانس مدت - فرکانس سند معکوس (TF-IDF) Term Frequency - Inverse Document Frequency (TF-IDF)

• مجموعه داده های هرزنامه را بارگیری کنید Load Spam Dataset

• پیش پردازش متن Text Preprocessing

• مهندسی ویژگی Feature Engineering

• طرح جفت Pair Plot

• تقسیم تست قطار Train Test Split

• بردارسازی TF-IDF TF-IDF Vectorization

• ارزیابی مدل و پیش بینی بر روی داده های واقعی Model Evaluation and Prediction on Real Data

• بارگذاری و ذخیره مدل Model Load and Store

IMDB پیش بینی احساسات را با CNN بررسی می کند IMDB Reviews Sentiment Prediction with CNN

• توکن سازها در یادگیری عمیق Tokenizers in Deep Learning

• padding در یادگیری عمیق Padding in Deep Learning

• جاسازی کراس Keras Embeddings

• کدگذاری توکنایزر Tokenizer Coding

• کدگذاری padding Padding Coding

• آماده سازی مجموعه داده های IMDB IMDB Dataset Preparation

• پاکسازی متن Text Cleaning

• طرح طول متن Text Length Plot

• رمزگذاری مجموعه داده برای آموزش Dataset Tokenization for Training

• ساختمان مدل کانولوشن 1 بعدی 1D Convolutional Model Building

• آموزش و اعتبار سنجی Training and Validation

• ذخیره و بارگذاری مدل و پیش بینی Model Saving and Loading and Prediction

پردازش زبان طبیعی با RNN و LSTMS | طبقه بندی مقالات خبری Natural Language Processing with RNN and LSTMS | News Article Classification

• RNN چیست؟ What is RNN

• انفجار و ناپدید شدن گرادیان در RNN Exploding and Vanishing Gradients in RNN

• مقدمه ای بر LSTM Introduction to LSTM

• بخش 1 آماده سازی مجموعه داده AG News AG News Dataset Preparation Part 1

• AG News آماده سازی مجموعه داده ها قسمت 2 AG News Dataset Preparation Part 2

• AG News آماده سازی مجموعه داده ها قسمت 3 AG News Dataset Preparation Part 3

• پاکسازی متن Text Cleaning

• توکن سازی قسمت 1 Tokenization Part 1

• توکن سازی قسمت 2 Tokenization Part 2

• ساختمان مدل Model Building

• آموزش و ارزیابی مدل Model Training and Evaluation

• دو جهته LSTM BiLSTM Bidirectional LSTM BiLSTM

• بارگیری و ذخیره مدل Model Loading and Saving

تجزیه و تحلیل داده های سری زمانی با LSTM Time Series Data Analysis with LSTM

• تئوری مقدمه آماده سازی داده های سری زمانی Time Series Data Preparation Introduction Theory

• بارگیری داده های سهام تسلا Loading Tesla Stock Data

• تقسیم تست قطار برای داده های سهام Train Test Split for Stock Data

• عادی سازی ویژگی ها Feature Normalization

• پنجره مجموعه داده Dataset Windowing

• ایجاد مدل LSTM برای داده های سری زمانی Creating LSTM Model for Time Series Data

• ارزیابی و تصحیح مدل Model Evaluation and Correction

• بارگیری و ذخیره مدل Load and Save Model