آموزش یادگیری عمیق و تکنیک‌های پیشرفته - آخرین آپدیت

الگوریتم‌های پیشرفته یادگیری ماشین Advanced Machine Learning Algorithms

• روز اول: مقدمه‌ای بر یادگیری جمعی Day 1: Introduction to Ensemble Learning

• روز دوم: Bagging و جنگل‌های تصادفی Day 2: Bagging and Random Forests

• روز سوم: Boosting و Gradient Boosting Day 3: Boosting and Gradient Boosting

• روز چهارم: مقدمه‌ای بر XGBoost Day 4: Introduction to XGBoost

• روز پنجم: LightGBM و CatBoost Day 5: LightGBM and CatBoost

• روز ششم: مدیریت داده‌های نامتوازن Day 6: Handling Imbalanced Data

• روز هفتم: پروژه یادگیری جمعی – مقایسه مدل‌ها روی یک مجموعه داده واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

مبانی شبکه‌های عصبی و یادگیری عمیق Neural Networks and Deep Learning Fundamentals

• روز اول: مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی Day 1: Introduction to Deep Learning and Neural Networks

• روز دوم: انتشار رو به جلو و توابع فعال‌ساز Day 2: Forward Propagation and Activation Functions

• روز سوم: توابع زیان و پس‌انتشار Day 3: Loss Functions and Backpropagation

• روز چهارم: گرادیان کاهشی و تکنیک‌های بهینه‌سازی Day 4: Gradient Descent and Optimization Techniques

• روز پنجم: ساخت شبکه‌های عصبی با TensorFlow و Keras Day 5: Building Neural Networks with TensorFlow and Keras

• روز ششم: ساخت شبکه‌های عصبی با PyTorch Day 6: Building Neural Networks with PyTorch

• روز هفتم: پروژه شبکه عصبی – طبقه‌بندی تصاویر در CIFAR 10 Day 7: Neural Network Project – Image Classification on CIFAR-10

مقدمه‌ای بر یادگیری PyTorch Introduction to Learning PyTorch

• مقدمه Introduction

• آشنایی با PyTorch Introduction to PyTorch

• شروع کار با PyTorch Getting Started with PyTorch

• کار با تنسورها (Tensors) Working with Tensors

• Autograd و گراف‌های محاسباتی پویا Autograd and Dynamic Computation Graphs

• ساخت شبکه‌های عصبی ساده Building Simple Neural Networks

• بارگذاری و پیش‌پردازش داده‌ها Loading and Preprocessing Data

• ارزیابی و اعتبارسنجی مدل Model Evaluation and Validation

• معماری‌های پیشرفته شبکه عصبی Advanced Neural Network Architectures

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

• مدیریت داده‌های پیچیده Handling Complex Data

• استقرار مدل و محیط عملیاتی Model Deployment and Production

• عیب‌یابی و رفع خطا Debugging and Troubleshooting

• آموزش توزیع‌شده و بهینه‌سازی عملکرد Distributed Training and Performance Optimization

• لایه‌های سفارشی و توابع زیان اختصاصی Custom Layers and Loss Functions

• تکنیک‌های پژوهش‌محور Research-oriented Techniques

• یکپارچه‌سازی با سایر کتابخانه‌ها Integration with Other Libraries

• مشارکت در PyTorch و تعامل با جامعه کاربری Contributing to PyTorch and Community Engagement