آموزش یادگیری عمیق Pytorch - آخرین آپدیت

دانلود Pytorch Deep Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: From Zero To Hero (BERT & T5) Python Pytorch BERT یادگیری عمیق پردازش تصویر پردازش زبان طبیعی پردازش شبکه عصبی مبدل های گرادیان نزولی huggingface T5 پیش نیازها:پایتون مهارت های برنامه نویسی پایه سینتکس پایه

دوره آموزش عمیق Pytorch Hugginface (Colab Hands-On)

به Pytorch Deep Learning From Zero To Hero Series خوش آمدید.


اگر قبلاً به نحو اصلی پایتون تسلط دارید و نمی‌دانید در مرحله بعد چه کاری باید انجام دهید، این دوره آموزشی تقویت‌کننده‌ای خواهد بود تا مهارت برنامه‌نویسی شما را به سطح قابل‌اجرای تجاری ارتقا دهید.


در این دوره، شما قادر خواهید بود با استفاده از pytorch و huggingface توسط colab بر پیاده سازی شبکه عصبی عمیق از همان ابتدا (پرسپترون ساده) تا یادگیری انتقال BERT/Google T5 تسلط پیدا کنید. هر بخش یک تکلیف برای شما دارد که خودتان فکر کنید و کدنویسی کنید.


دستور کار در زیر آمده است.

دستور کار:

  1. مقدمه

  2. Google Colaboratory

  3. نرون

  4. پرسپترون

  5. پرسپترون خود را قابل آموزش کنید

  6. عادی کردن داده ها

  7. عملکرد فعال سازی

  8. عملکرد از دست دادن

  9. نزول گرادیان

  10. نزول شیب پایتورچ زیبا

  11. پروژه نهایی

  12. پروژه نهایی توضیح داده شد

  13. پرسپترون چند لایه (MLP)

  14. One Hot Encoding

  15. داده ها را برای MLP آماده کنید

  16. MLP را تعریف کنید

  17. آموزش ارزیابی MLP

  18. پروژه نهایی برای MLP

  19. FCNN توضیح داده شده

  20. طبقه بندی FCNN LOVE Letters با استفاده از MLP

  21. پروژه نهایی برای FCNN

  22. CNN توضیح داد

  23. CNN آماده سازی داده ها (Fashion MNIST)

  24. CNN مدل را تعریف کنید

  25. مدل ارزیابی قطار CNN

  26. CNNInference

  27. پروژه نهایی برای CNN

  28. RNN توضیح داده شده

  29. RNN داده‌ها را آماده کنید

  30. RNN تعریف مدل

  31. مدل قطار RNN

  32. استنتاج RNN

  33. خیابان کنجد برت

  34. BERT اطلاعات IMDB را آماده کنید

  35. تعریف مدل BERT

  36. آموزش مدل BERT

  37. ارزیابی مدل BERT

  38. پیش‌بینی مدل BERT

  39. پروژه نهایی BERT

  40. T5 داده ها را آماده کنید

  41. تعریف مدل T5

  42. آموزش مدل T5

  43. ارزیابی مدل T5

  44. پیش‌بینی مدل T5

  45. پروژه نهایی T5


بیایید سفر خود را با هم شروع کنیم.


زیبا بهتر از زشت است.
صریح بهتر از ضمنی است.
ساده بهتر از پیچیده است.
پیچیده بهتر از پیچیده است.
مسطح بهتر از تودرتو است.
Sparse بهتر از متراکم است.
خوانایی مهم است.
موارد خاص به اندازه کافی خاص نیستند که قوانین را زیر پا بگذارند.
اگرچه عملی بودن شکست می‌خورد. خلوص.
خطاها هرگز نباید بی‌صدا بگذرند.
مگر اینکه صریحاً ساکت شوند.
در مواجهه با ابهام، وسوسه حدس زدن را رد کنید.
یک و ترجیحاً تنها یک راه واضح برای انجام دادن وجود داشته باشد. آن را.
اگرچه این راه ممکن است در ابتدا واضح نباشد مگر اینکه هلندی باشید.
اکنون بهتر از هرگز نیست.
اگرچه هرگز چنین نیست. اغلب بهتر از *در حال حاضر*.
اگر توضیح پیاده سازی سخت است، ایده بدی است.
اگر پیاده سازی به راحتی قابل توضیح باشد، ممکن است ایده خوبی باشد.
فضاهای نام یک بوق عالی هستند ایده - بیایید کارهای بیشتری از آنها انجام دهیم!


سرفصل ها و درس ها

مقدمه ای بر یادگیری عمیق (شبکه عصبی) توسط Pytorch Introduction to Deep Learning (Neural Network) by Pytorch

  • A01_مقدمه A01_Introduction

  • A02 Google Colaboratory A02 Google Colaboratory

  • نورون A03 A03 Neuron

  • پرسپترون A04 A04 Perceptron

  • A05 پرسپترون خود را قابل آموزش کنید A05 Make Your Perceptron Trainable

  • A06 عادی سازی داده ها A06 Normalize Data

  • عملکرد فعال سازی A07 A07 Activation Function

  • عملکرد از دست دادن A08 A08 Loss Function

  • A09 گرادیان نزول A09 Gradient Descent

  • اجرای زیبای Gradient Descent توسط پایتورچ A10 A10 Elegant Implementation of Gradient Descent by pytorch

  • پروژه نهایی A11 برای A A11 Final Project For A

  • A12 پروژه نهایی برای توضیح داده شده A12 Final Project for A Explained

از پرسپترون ساده تا پرسپترون چند لایه (MLP) توسط پایتورچ From Simple Perceptron to Multi Layer Perceptron(MLP) by pytorch

  • پرسپترون چند لایه B01 (MLP) B01 Multi Layer Perceptron(MLP)

  • B02 مجموعه داده را آماده کنید B02 Prepare Dataset

  • B03 مدل MLP را تعریف کنید B03 Define MLP Model

  • آموزش و ارزیابی پرسپترون چند لایه B04 B04 Multi Layer Perceptron Training&Evaluation

  • B05 تکلیف و توضیح نهایی پروژه B05 Final Project Assignment & Explanation

شبکه عصبی کاملا متصل توضیح داده شده است Fully Connected Neural Network Explained

  • شبکه عصبی کاملاً متصل C01 (FCNN) توضیح داده شده است C01 Fully Connected Neural Network(FCNN) explained

  • C02 FCNN LOVE Letters تشخیص تصویر C02 FCNN LOVE Letters Image Recognition

  • C03 تکلیف و توضیح نهایی پروژه C03 Final Project Assignment and Explanation

شبکه عصبی کانولوشنال (CNN) Convolutional Neural Network (CNN)

  • D01 CNN توضیح داد D01 CNN explained

  • D02 مجموعه داده را آماده کنید D02 Prepare Dataset

  • D03 CNN تعریف مدل D03 CNN Define Model

  • D04 CNN قطار و ارزیابی مدل D04 CNN Train and Evaluate Model

  • D05 CNN پیش بینی کنید D05 CNN Make a prediction

  • پروژه نهایی D06 D06 Final Project

شبکه عصبی مکرر (RNN) Recurrent Neural Network(RNN)

  • شبکه عصبی بازگشتی (RNN) توضیح داد Recurrent Neural Network(RNN) explained

  • E02 RNN داده ها را آماده می کند E02 RNN prepare data

  • E03 RNN تعریف مدل E03 RNN define model

  • E04 RNN قطار و ارزیابی مدل E04 RNN Train and Evaluate Model

  • استنتاج E05 RNN E05 RNN Inference

برت BERT

  • خیابان کنجد Sesame Street

  • F02 BERT IMDB F02 BERT IMDB

  • تعریف مدل BERT BERT Model Definition

  • آموزش مدل BERT F04 F04 BERT Model Training

  • ارزیابی مدل BERT F05 F05 BERT Model Evaluation

  • پیش بینی مدل BERT F06 F06 BERT Model Prediction

  • پروژه نهایی F07 BERT F07 BERT Final Project

T5 گوگل Google's T5

  • خلاصه انتزاعی T5 گوگل Google's T5 Abstractive Summarization

نمایش نظرات

آموزش یادگیری عمیق Pytorch
جزییات دوره
5.5 hours
39
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
142
4.1 از 5
دارد
دارد
دارد
経知 神草
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

経知 神草 経知 神草

AI/chatgpt/v0/dify/python/numpy/pandas/cline/pytorch