ساخت و آموزش شبکه‌های عصبی با PyTorch - آخرین آپدیت

دانلود Building and Training Neural Networks with PyTorch

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای Coursera Coach است؛ دستیار یادگیری تعاملی شما که به شما کمک می‌کند دانش خود را آزمایش کنید، پیش‌فرض‌ها را به چالش بکشید و در حین پیشرفت، درک خود را عمیق‌تر کنید. با این دوره عملی یادگیری عمیق که کاملاً با PyTorch ساخته شده است، بر قدرت شبکه‌های عصبی مسلط شوید. این دوره که برای دانشمندان داده، متخصصان هوش مصنوعی و توسعه‌دهندگان طراحی شده است، شما را گام به گام در ساخت، آموزش و ارزیابی مدل‌ها برای وظایف مربوط به تصویر، صوت و توالی‌ها با استفاده از یکی از محبوب‌ترین فریم‌ورک‌های صنعت هدایت می‌کند. شما با بررسی مدل‌های طبقه‌بندی شروع خواهید کرد و یاد می‌گیرید که چگونه مسائل باینری و چندکلاسه را مدیریت کنید، ماتریس‌های اغتشاش (Confusion Matrices) را تفسیر نمایید و منحنی‌های ROC را تحلیل کنید. از طریق تمرینات عملی، داده‌ها را آماده کرده، کلاس‌های دیتاست را طراحی می‌کنید و معماری شبکه‌های عصبی خود را برای حل چالش‌های واقعی طبقه‌بندی می‌سازید. سپس، به سراغ شبکه‌های عصبی کانولوشنال (CNNs) خواهید رفت و سیستم‌های طبقه‌بندی تصویر و صوت را توسعه می‌دهید. یاد می‌گیرید که لایه‌های CNN چگونه کار می‌کنند، خط لوله‌های پیش‌پردازش را پیاده‌سازی کنید و مدل‌هایی برای وظایف تصویری باینری و چندکلاسه بسازید. همچنین این مهارت‌ها را به طبقه‌بندی صوت گسترش می‌دهید تا درک وسیع‌تری از کاربرد CNNها در حوزه‌های مختلف به دست آورید. در ادامه، وارد مبحث تشخیص اشیاء (Object Detection) می‌شوید و بر معیارهای دقت، فرمت‌های برچسب‌گذاری و الگوریتم YOLO مسلط می‌شوید. جلسات کدنویسی عملی شما را از آماده‌سازی داده‌ها تا آموزش و استنتاج هدایت می‌کند تا بتوانید گردش کارهای کامل تشخیص اشیاء را بسازید. در ماژول‌های نهایی، انتقال استایل عصبی (Neural Style Transfer)، یادگیری انتقالی (Transfer Learning) با شبکه‌های پیش‌آموزش‌دیده و مدل‌سازی توالی با استفاده از RNNها و LSTMها را بررسی می‌کنید تا مهارت‌های لازم برای کاربردهای پیشرفته یادگیری عمیق را کسب کنید. در پایان این دوره، شما قادر خواهید بود: - مدل‌های شبکه عصبی را برای طبقه‌بندی باینری و چندکلاسه ساخته و ارزیابی کنید. - CNNها را برای داده‌های تصویری و صوتی طراحی و آموزش دهید. - گردش کارهای تشخیص اشیاء را با استفاده از YOLO پیاده‌سازی کنید. - انتقال استایل عصبی را اجرا کرده و از مدل‌های پیش‌آموزش‌دیده برای یادگیری انتقالی بهره ببرید. - مدل‌های RNN و LSTM را برای وظایف مبتنی بر توالی توسعه دهید. - اعتماد به نفس لازم برای استفاده از PyTorch در پروژه‌های واقعی یادگیری عمیق را کسب کنید. این دوره برای یادگیرندگانی که تجربه کار با پایتون و درک پایه‌ای از مفاهیم یادگیری ماشین و یادگیری عمیق دارند و می‌خواهند مهارت‌های خود را در ساخت شبکه‌های عصبی با PyTorch ارتقا دهند، ایده‌آل است.

سرفصل ها و درس ها

مدل‌های طبقه‌بندی Classification Models

  • مرور کلی بخش Section Overview

  • انواع طبقه‌بندی (مبانی) Classification Types (101)

  • ماتریس اغتشاش (مبانی) Confusion Matrix (101)

  • منحنی ROC (مبانی) ROC Curve (101)

  • چندکلاسه ۱: آماده‌سازی داده‌ها Multi-Class 1: Data Prep

  • چندکلاسه ۲: کلاس دیتاست (تمرین) Multi-Class 2: Dataset Class (Exercise)

  • چندکلاسه ۳: کلاس دیتاست (پاسخ) Multi-Class 3: Dataset Class (Solution)

  • چندکلاسه ۴: کلاس شبکه (تمرین) Multi-Class 4: Network Class (Exercise)

  • چندکلاسه ۵: کلاس شبکه (پاسخ) Multi-Class 5: Network Class (Solution)

  • چندکلاسه ۶: تابع زیان، بهینه‌ساز و هایپرپارامترها Multi-Class 6: Loss, Optimizer, and Hyperparameters

  • چندکلاسه ۷: حلقه آموزش Multi-Class 7: Training Loop

  • چندکلاسه ۸: ارزیابی مدل Multi-Class 8: Model Evaluation

  • چندکلاسه ۹: طبقه‌بندی‌کننده ساده Multi-Class 9: Naive Classifier

  • چندکلاسه ۱۰: جمع‌بندی Multi-Class 10: Summary

  • چندبرچسبه (تمرین) Multi-Label (Exercise)

  • چندبرچسبه (پاسخ) Multi-Label (Solution)

شبکه CNN: طبقه‌بندی تصاویر CNN: Image Classification

  • مرور کلی بخش Section Overview

  • شبکه‌های CNN (مبانی) CNNs (101)

  • شبکه CNN (تعاملی) CNN (Interactive)

  • پیش‌پردازش تصویر (مبانی) Image Preprocessing (101)

  • پیش‌پردازش تصویر (کدنویسی) Image Preprocessing (Coding)

  • طبقه‌بندی باینری تصاویر (مبانی) Binary Image Classification (101)

  • طبقه‌بندی باینری تصاویر (کدنویسی) Binary Image Classification (Coding)

  • طبقه‌بندی چندکلاسه تصاویر (تمرین) Multi-Class Image Classification (Exercise)

  • طبقه‌بندی چندکلاسه تصاویر (پاسخ) Multi-Class Image Classification (Solution)

  • محاسبات لایه‌ها (مبانی) Layer Calculations (101)

  • محاسبات لایه‌ها (کدنویسی) Layer Calculations (Coding)

شبکه CNN: طبقه‌بندی صوت CNN: Audio Classification

  • طبقه‌بندی صوت (مبانی) Audio Classification (101)

  • طبقه‌بندی صوت (تمرین) Audio Classification (Exercise)

  • طبقه‌بندی صوت (تحلیل اکتشافی داده‌ها) Audio Classification (Exploratory Data Analysis)

  • طبقه‌بندی صوت (پاسخ آماده‌سازی داده‌ها) Audio Classification (Data Prep-Solution)

  • طبقه‌بندی صوت (پاسخ مدل) Audio Classification (Model-Solution)

شبکه CNN: تشخیص اشیاء CNN: Object Detection

  • مرور کلی بخش Section Overview

  • معیارهای دقت (مبانی) Accuracy Metrics (101)

  • تشخیص اشیاء (مبانی) Object Detection (101)

  • تشخیص اشیاء با detecto (کدنویسی) Object Detection with detecto (Coding)

  • آموزش مدل روی GPU به صورت رایگان (کدنویسی) Training a Model on GPU for Free (Coding)

  • الگوریتم YOLO (مبانی) YOLO (101)

  • فرمت‌های برچسب‌گذاری Labeling Formats

  • پروژه YOLOv7 (مبانی) YOLOv7 Project (101)

  • کدنویسی YOLOv7: راه‌اندازی YOLOv7 Coding: Setup

  • کدنویسی YOLOv7: آماده‌سازی داده‌ها YOLOv7 Coding: Data Prep

  • کدنویسی YOLOv7: آموزش مدل YOLOv7 Coding: Model Training

  • کدنویسی YOLOv7: استنتاج مدل YOLOv7 Coding: Model Inference

  • کدنویسی YOLOv8: آموزش و استنتاج مدل YOLOv8 Coding: Model Training and Inference

انتقال استایل Style Transfer

  • مرور کلی بخش Section Overview

  • انتقال استایل (مبانی) Style Transfer (101)

  • انتقال استایل (کدنویسی) Style Transfer (Coding)

شبکه‌های پیش‌آموزش‌دیده و یادگیری انتقالی Pre-Trained Networks and Transfer Learning

  • مرور کلی بخش Section Overview

  • یادگیری انتقالی و شبکه‌های پیش‌آموزش‌دیده (مبانی) Transfer Learning and Pre-Trained Networks (101)

  • یادگیری انتقالی (کدنویسی) Transfer Learning (Coding)

شبکه‌های عصبی بازگشتی Recurrent Neural Networks

  • مرور کلی بخش Section Overview

  • شبکه‌های RNN (مبانی) RNN (101)

  • شبکه LSTM (کدنویسی) LSTM (Coding)

  • شبکه LSTM (تمرین) LSTM (Exercise)

نمایش نظرات

ساخت و آموزش شبکه‌های عصبی با PyTorch
جزییات دوره
7h 52m
55
(آخرین آپدیت)
3,047
- 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