لطفا جهت پرداخت (ورود به درگاه بانک) فیلترشکن خود را خاموش نمایید.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
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!
نمایش نظرات