آموزش [2025] TensorFlow 2: یادگیری عمیق و هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

خوش آمدید Welcome

• مقدمه Introduction

• سرفصل مطالب Outline

• کدها، نوت‌بوک‌ها و داده‌ها را از کجا بگیریم Where to get the code, notebooks, and data

Google Colab Google Colab

• معرفی Google Colab، نحوه استفاده رایگان از GPU یا TPU Intro to Google Colab, how to use a GPU or TPU for free

• Tensorflow 2 در Google Colab Tensorflow 2 in Google Colab

• آپلود داده‌های خود به Google Colab Uploading your own data to Google Colab

• از کجا در مورد Numpy، Scipy، Matplotlib، Pandas و Scikit-Learn اطلاعات کسب کنم؟ Where can I learn about Numpy, Scipy, Matplotlib, Pandas, and Scikit-Learn?

• چگونه در این دوره موفق شویم How to Succeed in This Course

• خطاهای 403 موقت Temporary 403 Errors

• به‌روزرسانی‌های دوره Course Updates

یادگیری ماشینی و نورون‌ها Machine Learning and Neurons

• یادگیری ماشینی چیست؟ What is Machine Learning?

• آماده‌سازی کد (تئوری طبقه‌بندی) Code Preparation (Classification Theory)

• نوت‌بوک طبقه‌بندی Classification Notebook

• آماده‌سازی کد (تئوری رگرسیون) Code Preparation (Regression Theory)

• نوت‌بوک رگرسیون Regression Notebook

• نورون The Neuron

• یک مدل چگونه "یاد می‌گیرد"؟ How does a model "learn"?

• پیش‌بینی کردن Making Predictions

• ذخیره و بارگذاری یک مدل Saving and Loading a Model

• چرا کراس؟ Why Keras?

• جعبه پیشنهادات Suggestion Box

شبکه‌های عصبی مصنوعی پیش‌خور Feedforward Artificial Neural Networks

• معرفی بخش شبکه‌های عصبی مصنوعی Artificial Neural Networks Section Introduction

• شروع‌کنندگان خوشحال باشید: ریاضیات در این دوره اختیاری است Beginners Rejoice: The Math in This Course is Optional

• انتشار رو به جلو Forward Propagation

• تصویر هندسی The Geometrical Picture

• توابع فعال‌سازی Activation Functions

• طبقه‌بندی چندکلاسه Multiclass Classification

• چگونه تصاویر را نشان دهیم How to Represent Images

• توضیح ترکیب رنگ Color Mixing Clarification

• آماده‌سازی کد (ANN) Code Preparation (ANN)

• ANN برای طبقه‌بندی تصویر ANN for Image Classification

• ANN برای رگرسیون ANN for Regression

میان‌پرده: tf.data Interlude: tf.data

• چرا از tf.data استفاده کنیم؟ Why use tf.data?

• کد نمونه برای tf.data Sample Code for tf.data

شبکه‌های عصبی کانولوشنال Convolutional Neural Networks

• کانولوشن چیست؟ (بخش ۱) What is Convolution? (part 1)

• کانولوشن چیست؟ (بخش ۲) What is Convolution? (part 2)

• کانولوشن چیست؟ (بخش ۳) What is Convolution? (part 3)

• کانولوشن روی تصاویر رنگی Convolution on Color Images

• معماری CNN CNN Architecture

• آماده‌سازی کد CNN CNN Code Preparation

• CNN برای Fashion MNIST CNN for Fashion MNIST

• CNN برای CIFAR-10 CNN for CIFAR-10

• افزایش داده‌ها Data Augmentation

• نرمال‌سازی دسته‌ای Batch Normalization

• بهبود نتایج CIFAR-10 Improving CIFAR-10 Results

شبکه‌های عصبی بازگشتی، سری‌های زمانی و داده‌های دنباله‌ای Recurrent Neural Networks, Time Series, and Sequence Data

• داده‌های دنباله‌ای Sequence Data

• پیش‌بینی Forecasting

• مدل خطی خودرگرسیو برای پیش‌بینی سری‌های زمانی Autoregressive Linear Model for Time Series Prediction

• اثبات کارکرد مدل خطی Proof that the Linear Model Works

• شبکه‌های عصبی بازگشتی Recurrent Neural Networks

• آماده‌سازی کد RNN RNN Code Preparation

• RNN برای پیش‌بینی سری‌های زمانی RNN for Time Series Prediction

• توجه به شکل‌ها Paying Attention to Shapes

• GRU و LSTM (بخش ۱) GRU and LSTM (pt 1)

• GRU و LSTM (بخش ۲) GRU and LSTM (pt 2)

• یک دنباله چالش‌برانگیزتر A More Challenging Sequence

• نمایش مشکل مسافت طولانی Demo of the Long Distance Problem

• RNN برای طبقه‌بندی تصویر (تئوری) RNN for Image Classification (Theory)

• RNN برای طبقه‌بندی تصویر (کد) RNN for Image Classification (Code)

• پیش‌بینی بازده سهام با استفاده از LSTM (بخش ۱) Stock Return Predictions using LSTMs (pt 1)

• پیش‌بینی بازده سهام با استفاده از LSTM (بخش ۲) Stock Return Predictions using LSTMs (pt 2)

• پیش‌بینی بازده سهام با استفاده از LSTM (بخش ۳) Stock Return Predictions using LSTMs (pt 3)

• راه‌های دیگر برای پیش‌بینی Other Ways to Forecast

پردازش زبان طبیعی (NLP) Natural Language Processing (NLP)

• Embeddings Embeddings

• آماده‌سازی کد (NLP) Code Preparation (NLP)

• پیش‌پردازش متن Text Preprocessing

• طبقه‌بندی متن با LSTMها Text Classification with LSTMs

• CNNها برای متن CNNs for Text

• طبقه‌بندی متن با CNNها Text Classification with CNNs

سیستم‌های توصیه‌گر Recommender Systems

• سیستم‌های توصیه‌گر با تئوری یادگیری عمیق Recommender Systems with Deep Learning Theory

• سیستم‌های توصیه‌گر با کد یادگیری عمیق Recommender Systems with Deep Learning Code

یادگیری انتقالی برای بینایی کامپیوتر Transfer Learning for Computer Vision

• تئوری یادگیری انتقالی Transfer Learning Theory

• برخی از مدل‌های از پیش آموزش‌دیده (VGG، ResNet، Inception، MobileNet) Some Pre-trained Models (VGG, ResNet, Inception, MobileNet)

• مجموعه‌داده‌های بزرگ و تولیدکننده‌های داده Large Datasets and Data Generators

• ۲ رویکرد برای یادگیری انتقالی 2 Approaches to Transfer Learning

• کد یادگیری انتقالی (بخش ۱) (قدیمی) Transfer Learning Code (pt 1) (Legacy)

• کد یادگیری انتقالی (بخش ۲) (قدیمی) Transfer Learning Code (pt 2) (Legacy)

• کد یادگیری انتقالی (بخش ۱) Transfer Learning Code (pt 1)

• کد یادگیری انتقالی (بخش ۲) Transfer Learning Code (pt 2)

GANها (شبکه‌های مولد تخاصمی) GANs (Generative Adversarial Networks)

• تئوری GAN GAN Theory

• کد GAN GAN Code

• به‌روزرسانی کد GAN GAN Code Update

یادگیری تقویتی عمیق (تئوری) Deep Reinforcement Learning (Theory)

• معرفی بخش یادگیری تقویتی عمیق Deep Reinforcement Learning Section Introduction

• عناصر یک مسئله یادگیری تقویتی Elements of a Reinforcement Learning Problem

• حالت‌ها، اعمال، پاداش‌ها، سیاست‌ها States, Actions, Rewards, Policies

• فرایندهای تصمیم‌گیری مارکوف (MDPها) Markov Decision Processes (MDPs)

• بازگشت The Return

• توابع ارزش و معادله بلمن Value Functions and the Bellman Equation

• یاد گرفتن به چه معناست؟ What does it mean to “learn”?

• حل معادله بلمن با یادگیری تقویتی (بخش ۱) Solving the Bellman Equation with Reinforcement Learning (pt 1)

• حل معادله بلمن با یادگیری تقویتی (بخش ۲) Solving the Bellman Equation with Reinforcement Learning (pt 2)

• اپسیلون-طمع‌کار Epsilon-Greedy

• Q-Learning Q-Learning

• یادگیری عمیق Q / DQN (بخش ۱) Deep Q-Learning / DQN (pt 1)

• یادگیری عمیق Q / DQN (بخش ۲) Deep Q-Learning / DQN (pt 2)

• چگونه یادگیری تقویتی را یاد بگیریم How to Learn Reinforcement Learning

پروژه معامله سهام با یادگیری تقویتی عمیق Stock Trading Project with Deep Reinforcement Learning

• معرفی معامله‌گر سهام با یادگیری تقویتی Reinforcement Learning Stock Trader Introduction

• داده‌ها و محیط Data and Environment

• Replay Buffer Replay Buffer

• طراحی و طرح‌بندی برنامه Program Design and Layout

• کد بخش ۱ Code pt 1

• کد بخش ۲ Code pt 2

• کد بخش ۳ Code pt 3

• کد بخش ۴ Code pt 4

• بحث معامله‌گر سهام با یادگیری تقویتی Reinforcement Learning Stock Trader Discussion

• کمک! چرا کد روی دستگاه من کندتر است؟ Help! Why is the code slower on my machine?

استفاده پیشرفته از Tensorflow Advanced Tensorflow Usage

• یک سرویس وب چیست؟ (Tensorflow Serving بخش ۱) What is a Web Service? (Tensorflow Serving pt 1)

• Tensorflow Serving بخش ۲ Tensorflow Serving pt 2

• Tensorflow Lite (TFLite) Tensorflow Lite (TFLite)

• چرا گوگل پادشاه محاسبات توزیع‌شده است؟ Why is Google the King of Distributed Computing?

• آموزش با استراتژی‌های توزیع‌شده Training with Distributed Strategies

• استفاده از TPU Using the TPU

Tensorflow سطح پایین Low-Level Tensorflow

• تفاوت‌های بین Tensorflow 1.x و Tensorflow 2.x Differences Between Tensorflow 1.x and Tensorflow 2.x

• ثابت‌ها و محاسبات پایه Constants and Basic Computation

• متغیرها و Gradient Tape Variables and Gradient Tape

• ساخت مدل سفارشی خود Build Your Own Custom Model

در عمق: توابع زیان In-Depth: Loss Functions

• خطای میانگین مربعات Mean Squared Error

• Binary Cross Entropy Binary Cross Entropy

• Categorical Cross Entropy Categorical Cross Entropy

در عمق: Gradient Descent In-Depth: Gradient Descent

• Gradient Descent Gradient Descent

• Stochastic Gradient Descent Stochastic Gradient Descent

• Momentum Momentum

• نرخ‌های یادگیری متغیر و تطبیقی Variable and Adaptive Learning Rates

• Adam (بخش ۱) Adam (pt 1)

• Adam (بخش ۲) Adam (pt 2)

نتیجه‌گیری دوره Course Conclusion

• چگونه گواهینامه توسعه‌دهنده Tensorflow را دریافت کنیم How to get the Tensorflow Developer Certificate

• بعداً چه چیزی را یاد بگیریم What to Learn Next

موارد اضافی Extras

• چگونه هایپرپارامترها را انتخاب کنیم How to Choose Hyperparameters

• بسته تمرینی این دوره را دریافت کنید Get the Exercise Pack for This Course

ضمیمه / مقدمه FAQ Appendix / FAQ Intro

• ضمیمه چیست؟ What is the Appendix?

تنظیم محیط شما (FAQ بر اساس درخواست دانشجو) Setting up your Environment (FAQ by Student Request)

• بررسی پیش از نصب Pre-Installation Check

• نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano و TensorFlow How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow

• تنظیم محیط Anaconda Anaconda Environment Setup

• نصب کتابخانه‌های یادگیری عمیق با شتاب‌دهنده NVIDIA GPU روی رایانه خانگی شما Installing NVIDIA GPU-Accelerated Deep Learning Libraries on your Home Computer

کمک اضافی با کدنویسی پایتون برای مبتدیان (FAQ بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

• دست‌های خود را کثیف کنید، تجربه کدنویسی عملی، پیوندهای داده Get Your Hands Dirty, Practical Coding Experience, Data Links

• از کجا کد عیب‌یابی را دریافت کنیم Where To Get the Code Troubleshooting

• نحوه استفاده از Github و نکات اضافی کدنویسی (اختیاری) How to use Github & Extra Coding Tips (Optional)

• نکات کدنویسی مبتدیان Beginner's Coding Tips

• چگونه خودتان کد بزنید (بخش ۱) How to Code Yourself (part 1)

• چگونه خودتان کد بزنید (بخش ۲) How to Code Yourself (part 2)

• اثبات اینکه استفاده از Jupyter Notebook با عدم استفاده از آن یکسان است Proof that using Jupyter Notebook is the same as not using it

• آیا Theano مرده است؟ Is Theano Dead?

استراتژی‌های یادگیری مؤثر برای یادگیری ماشینی (FAQ بر اساس درخواست دانشجو) Effective Learning Strategies for Machine Learning (FAQ by Student Request)

• چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

• آیا این دوره برای مبتدیان است یا متخصصان؟ آکادمیک است یا عملی؟ سریع است یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

• نقشه راه پیش‌نیاز یادگیری ماشینی و هوش مصنوعی (بخش ۱) Machine Learning and AI Prerequisite Roadmap (pt 1)

• نقشه راه پیش‌نیاز یادگیری ماشینی و هوش مصنوعی (بخش ۲) Machine Learning and AI Prerequisite Roadmap (pt 2)

• سوالات رایج مبتدیان: اگر "پیشرفته" هستم چه؟ Common Beginner Questions: What if I'm "advanced"?

ضمیمه / FAQ Finale Appendix / FAQ Finale

• BONUS BONUS