تسلط بر هوش مصنوعی مولد با PyTorch: تجربه عملی

Mastering Generative AI with PyTorch: Hands-on Experience

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش عملی در شبکه‌های متخاصم مولد: ایجاد، آموزش و اعمال GAN با PyTorch درک اصول GAN یادگیری ساخت و آموزش مدل‌های GAN از ابتدا با استفاده از PyTorch کسب مهارت‌ها برای ایجاد داده‌های مصنوعی برای برنامه‌های مختلف. تکنیک‌های پیشرفته GAN برای تبدیل متن به تصاویر پیش نیازها: دانش پایه پایتون درک مفاهیم یادگیری ماشینی پیشینه ریاضی

با استفاده از PyTorch، با این دوره جامع در مورد شبکه های متخاصم مولد (GAN) به دنیای متحول کننده هوش مصنوعی مولد شیرجه بزنید. این دوره برای ارائه یک درک عمیق از GAN ها و کاربردهای آنها، ترکیب دانش نظری با تجربه عملی گسترده طراحی شده است.

آنچه خواهید آموخت:

  • مفاهیم اصلی GAN: اصول GAN ها، از جمله پویایی بین شبکه های Generator و Discriminator را درک کنید و درک کنید که چگونه آنها برای ایجاد خروجی های واقعی با یکدیگر همکاری می کنند.

  • توسعه مدل پیشرفته: تجربه عملی در ساخت و آموزش مدل های پیشرفته GAN از ابتدا با استفاده از PyTorch به دست آورید. پیاده‌سازی شبکه‌های عصبی کانولوشنال (CNN) را برای Generator و Discriminator بیاموزید و نحوه اصلاح این مدل‌ها را برای عملکرد بهتر بیاموزید.

  • تکنیک‌های تولید داده پیچیده: نحوه ادغام مدل‌های پیچیده مانند شبکه‌های حافظه کوتاه‌مدت بلند مدت (LSTM) را در چارچوب‌های GAN برای تولید سری‌های زمانی و داده‌های متوالی بررسی کنید. هم افزایی بین LSTM و GAN را برای ایجاد داده های مصنوعی با کیفیت بالا درک کنید.

  • سنتز متن به تصویر: تکنیک های پیشرفته GAN برای تولید تصاویر از توضیحات متنی را بررسی کنید. بیاموزید که چگونه ورودی نوشتاری را با داده‌های بصری ترکیب کنید تا نمایش‌های بصری دقیق و جذاب ایجاد کنید.

  • ملاحظات اخلاقی: در بحث در مورد پیامدهای اخلاقی فناوری های مولد هوش مصنوعی شرکت کنید. تأثیر بالقوه GAN ها بر حریم خصوصی، اطلاعات نادرست و استفاده اخلاقی از داده های مصنوعی را درک کنید.

  • تجربه کدنویسی عملی: روی پروژه های دنیای واقعی با راهنمایی گام به گام کار کنید. کدها را به صورت مشترک می نویسید و اشکال زدایی می کنید، با توضیحات دقیق خط به خط در مورد هدف و عملکرد هر خط. عیب یابی و بهینه سازی مدل های GAN خود را برای نتایج بهتر بیاموزید.

چه کسی باید ثبت نام کند:

این دوره برای دانشمندان مشتاق داده، مهندسان یادگیری ماشین و توسعه دهندگان پایتون که می خواهند تخصص خود را در مدل های تولیدی گسترش دهند ایده آل است. همچنین برای محققان و دست اندرکاران بینایی کامپیوتر و علاقه مندان به ابعاد اخلاقی هوش مصنوعی مناسب است. چه در GAN ها تازه کار باشید و چه به دنبال تعمیق دانش خود با تکنیک های پیشرفته و بینش های اخلاقی هستید، این دوره ابزارها و درک درستی را برای اعمال موثر هوش مصنوعی مولد در سناریوهای دنیای واقعی ارائه می دهد.

به ما بپیوندید تا بر GAN ها مسلط شوید، از مدل های پیچیده برای تولید داده های نوآورانه استفاده کنید، و تجربه عملی و عملی با اشکال زدایی دقیق و توضیحات کد به دست آورید!


سرفصل ها و درس ها

مطالب و اطلاعات دوره Course Content & Info

  • محتوا Content

  • اطلاعات دوره Course Information

مقدمه GEN AI Introduction GEN AI

  • تعریف و دامنه Definition and Scope

  • مفاهیم تاریخی و تکامل Historical Concepts and Evolution

  • برنامه های کاربردی Applications

  • شبکه های معماری مولد Generative Architectural Networks

مفاهیم شبکه متخاصم مولد (GAN). Generative Adversarial Network (GAN) Concepts

  • مبانی شبکه متخاصم مولد (GAN) Basics of Generative Adversarial Network (GAN)

  • Frontend و Backend of Generative Adversarial Network (GAN) Frontend and Backend of Generative Adversarial Network (GAN)

مفاهیم اولیه شبکه عصبی (اختیاری) Basic Neural Network Concepts (Optional)

  • مقدمه ای بر محیط Google Colab Introduction to Google Colab Environment

  • مبانی شبکه عصبی - قسمت اول Basics of Neural Network-Part 1

  • مبانی شبکه عصبی-قسمت دوم Basics of Neural Network-Part 2

  • مبانی شبکه عصبی - قسمت سوم Basics of Neural Network-Part 3

  • مبانی شبکه عصبی - قسمت چهارم Basics of Neural Network-Part 4

  • مبانی حافظه بلند مدت کوتاه مدت (LSTM) - قسمت 1 Basics of Long Short-Term Memory (LSTM)-Part1

  • مبانی حافظه بلند مدت کوتاه مدت (LSTM) - قسمت 2 Basics of Long Short-Term Memory (LSTM)-Part2

  • مبانی شبکه عصبی کانولوشنال - قسمت 1 Basics of Convolutional Neural Network-Part1

  • مبانی شبکه عصبی کانولوشن - قسمت 2 Basics of Convolutional Neural Network-Part2

  • مبانی شبکه عصبی کانولوشن - قسمت 3 Basics of Convolutional Neural Network-Part3

  • مبانی شبکه عصبی کانولوشن - قسمت 4 Basics of Convolutional Neural Network-Part4

  • مبانی شبکه عصبی کانولوشن - قسمت 5 Basics of Convolutional Neural Network-Part5

  • مقدمه ای بر تنسورها - قسمت 1 Introduction to Tensors-Part1

  • مقدمه ای بر Tensors-Part2 Introduction to Tensors-Part2

  • نحوه نصب CUDA و تنظیم GPU (اگر از Colab استفاده نمی کنید) How to Install CUDA and Set GPU (If not using Colab)

پروژه 1، تولید تصویر Project 1, Image Generation

  • پیش پردازش و آماده سازی داده ها - قسمت 1 Data Preprocessing and Preparation-Part1

  • پیش پردازش و آماده سازی داده ها - قسمت 2 Data Preprocessing and Preparation-Part2

  • توسعه GenBlock GenBlock Development

  • توسعه ژنراتور Generator Development

  • توسعه DisBlock DisBlock Development

  • توسعه تبعیض Discriminator Development

  • مقداردهی اولیه مدل Model’s Initialization

  • ایجاد حلقه آموزشی - آماده سازی داده ها Develop Training Loop – Data Preparation

  • ایجاد حلقه آموزشی - Train Discriminator Develop Training Loop – Train Discriminator

  • توسعه حلقه آموزشی - Train Generator Develop Training Loop – Train Generator

  • تجسم و تولید تصویر Visualization and Image Generation

  • پیاده سازی توابع از دست دادن WGAN Implementing WGAN Loss Functions

پروژه 2، تولید داده های سری زمانی مصنوعی Project 2, Synthetic Time Series Data Generation

  • مفهوم تولید داده مصنوعی Synthetic Data Generation Concept

  • آماده سازی داده ها Data Preparation

  • توسعه ژنراتور Generator Development

  • توسعه تبعیض Discriminator Development

  • مقداردهی اولیه مدل Model’s Initialization

  • ایجاد حلقه آموزشی - آماده سازی داده ها Develop Training Loop – Data Preparation

  • ایجاد حلقه آموزشی - Train Discriminator Develop Training Loop – Train Discriminator

  • توسعه حلقه آموزشی - Train Generator Develop Training Loop – Train Generator

  • ارزیابی فرآیند آموزشی Training Process Evaluation

  • تولید داده های مصنوعی Generate Synthetic Data

  • بهبود مدل GAN برای تولید داده های دما Enhancing the GAN Model for Temperature Data Generation

Project3، GAN های شرطی – متن به تصویر Project3, Conditional GANs – Text to Image

  • مفهوم GAN های مشروط Conditional GANs Concept

  • آماده سازی داده ها - قسمت 1 Data Preparation – Part1

  • آماده سازی داده ها - قسمت 2 Data Preparation – Part2

  • آماده سازی داده ها - قسمت 3 Data Preparation – Part3

  • توسعه ژنراتور مشروط Conditional Generator Development

  • توسعه تبعیض مشروط Conditional Discriminator Development

  • مقداردهی اولیه مدل Model’s Initialization

  • ایجاد حلقه آموزشی - آماده سازی داده ها Develop Training Loop – Data Preparation

  • ایجاد حلقه آموزشی - Train Discriminator Develop Training Loop – Train Discriminator

  • توسعه حلقه آموزشی - Train Generator Develop Training Loop – Train Generator

  • تولید و نمایش تصویر بر اساس ورودی کاربر Generate and Display Image Based on User’s Input

Project4، GAN های شرطی - لایه های کانولوشنال Project4, Conditional GANs – Convolutional Layers

  • تجدید نظر در ژنراتور شرطی Revising Conditional Generator

  • بازنگری تمایز شرطی و حلقه آموزشی Revising Conditional Discriminator & Training Loop

  • ایجاد و نمایش تصویر Generate and Display Image

اخلاق در ژنرال هوش مصنوعی Ethics in Gen AI

  • اخلاق در مدل‌های هوش مصنوعی و نتیجه‌گیری Ethics in AI Models and Conclusion

نمایش نظرات

تسلط بر هوش مصنوعی مولد با PyTorch: تجربه عملی
جزییات دوره
13.5 hours
59
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
70
5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Navid Shirzadi Navid Shirzadi

Data Analyst - Optimization Expert نام من نوید شیرزید است و من بسیار خوشحالم که شما برای خواندن این بخش اینجا هستید! من یک محقق با بیش از 7 سال تجربه در زمینه کنترل سیستم های انرژی یکپارچه با مهارت گسترده در استفاده از استراتژی های بهینه سازی ریاضی هستم. من همچنین در برنامه نویسی با پایتون و توسعه مدل های یادگیری ماشین و یادگیری عمیق برای برنامه های مختلف مهارت دارم. من چندین نشریه در زمینه طراحی و کنترل استراتژی های سیستم های انرژی با استفاده از یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی دارم. به عنوان نتیجه گیری ، من علاقه زیادی به علم داده و یادگیری ماشین و برنامه های بهینه سازی در مشکلات دنیای واقعی دارم و واقعاً دوست دارم تجربه خود را با شما در میان بگذارم!