کتاب صوتی PyTorch برای تحلیل داده: از پیش‌پردازش تا مدل‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره PyTorch برای تحلیل داده: از پیش‌پردازش تا مدل‌سازی

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: کار با کتابخانه‌های یادگیری ماشین (Scikit-learn، TensorFlow، PyTorch)

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه بر PyTorch و تحلیل داده
• 2. فصل ۲: نصب و راه‌اندازی PyTorch
• 3. فصل ۳: ساختارهای داده پایه در PyTorch: تنسورها
• 4. فصل ۴: عملیات اساسی تنسورها
• 5. فصل ۵: شاخص‌گذاری و برش تنسورها
• 6. فصل ۶: تغییر شکل تنسورها
• 7. فصل ۷: عملیات ریاضی بر روی تنسورها
• 8. فصل ۸: تنسورها و GPU: محاسبات سریع‌تر
• 9. فصل ۹: مقدمه بر یادگیری ماشین و یادگیری عمیق
• 10. فصل ۱۰: تعریف مدل‌ها در PyTorch: کلاس nn.Module
• 11. فصل ۱۱: لایه‌های خطی (Dense)
• 12. فصل ۱۲: لایه‌های کانولوشن (CNN)
• 13. فصل ۱۳: لایه‌های بازگشتی (RNN)
• 14. فصل ۱۴: توابع فعال‌سازی (Activation Functions)
• 15. فصل ۱۵: توابع زیان (Loss Functions)
• 16. فصل ۱۶: بهینه‌سازها (Optimizers)
• 17. فصل ۱۷: فرآیند آموزش مدل
• 18. فصل ۱۸: تنظیم پارامترهای آموزش
• 19. فصل ۱۹: ارزیابی مدل
• 20. فصل ۲۰: تنظیم ابرپارامترها (Hyperparameter Tuning)
• 21. فصل ۲۱: مقدمه بر پیش‌پردازش داده
• 22. فصل ۲۲: پاکسازی داده‌ها
• 23. فصل ۲۳: مدیریت مقادیر گمشده
• 24. فصل ۲۴: تشخیص و حذف داده‌های پرت (Outliers)
• 25. فصل ۲۵: مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 26. فصل ۲۶: نرمال‌سازی (Normalization)
• 27. فصل ۲۷: استانداردسازی (Standardization)
• 28. فصل ۲۸: کدگذاری دسته‌ای (Categorical Encoding)
• 29. فصل ۲۹: کدگذاری وان-هات (One-Hot Encoding)
• 30. فصل ۳۰: کدگذاری برچسب (Label Encoding)
• 31. فصل ۳۱: مهندسی ویژگی (Feature Engineering)
• 32. فصل ۳۲: ایجاد ویژگی‌های جدید
• 33. فصل ۳۳: ترکیب ویژگی‌ها
• 34. فصل ۳۴: انتخاب ویژگی (Feature Selection)
• 35. فصل ۳۵: روش‌های مبتنی بر فیلتر
• 36. فصل ۳۶: روش‌های مبتنی بر Wrapper
• 37. فصل ۳۷: روش‌های مبتنی بر Embedding
• 38. فصل ۳۸: کار با مجموعه داده‌های متنی
• 39. فصل ۳۹: پردازش متن: توکنیزاسیون
• 40. فصل ۴۰: حذف کلمات توقف (Stop Words)
• 41. فصل ۴۱: ریشه‌یابی کلمات (Stemming) و بن‌سازی کلمات (Lemmatization)
• 42. فصل ۴۲: نمایش متنی: Bag-of-Words
• 43. فصل ۴۳: نمایش متنی: TF-IDF
• 44. فصل ۴۴: نمایش متنی: Word Embeddings (Word2Vec, GloVe)
• 45. فصل ۴۵: بارگذاری داده‌های تصویری
• 46. فصل ۴۶: پیش‌پردازش تصاویر
• 47. فصل ۴۷: تغییر اندازه و برش تصاویر
• 48. فصل ۴۸: تقویت داده‌ها (Data Augmentation)
• 49. فصل ۴۹: ساخت یک مجموعه داده سفارشی در PyTorch
• 50. فصل ۵۰: استفاده از DataLoader و Dataset
• 51. فصل ۵۱: تقسیم داده‌ها به بخش‌های آموزش، اعتبارسنجی و تست
• 52. فصل ۵۲: مقدمه بر شبکه‌های عصبی کانولوشنی (CNN)
• 53. فصل ۵۳: لایه کانولوشن ۲D
• 54. فصل ۵۴: لایه Pooling 2D
• 55. فصل ۵۵: ساخت یک CNN ساده برای طبقه‌بندی تصاویر
• 56. فصل ۵۶: آموزش CNN برای مجموعه داده MNIST
• 57. فصل ۵۷: بهبود عملکرد CNN
• 58. فصل ۵۸: معماری‌های پیشرفته CNN (مانند VGG, ResNet)
• 59. فصل ۵۹: مقدمه بر شبکه‌های عصبی بازگشتی (RNN)
• 60. فصل ۶۰: واحد حافظه کوتاه-بلند مدت (LSTM)
• 61. فصل ۶۱: واحد دروازه‌ای بازگشتی (GRU)
• 62. فصل ۶۲: ساخت یک RNN برای تحلیل احساسات
• 63. فصل ۶۳: آموزش RNN برای مجموعه داده متنی
• 64. فصل ۶۴: استفاده از LSTM و GRU
• 65. فصل ۶۵: مقدمه بر شبکه‌های عصبی ترنسفورمر (Transformer)
• 66. فصل ۶۶: مکانیزم توجه (Attention Mechanism)
• 67. فصل ۶۷: ساخت یک مدل ترنسفورمر ساده
• 68. فصل ۶۸: کاربرد ترنسفورمرها در پردازش زبان طبیعی (NLP)
• 69. فصل ۶۹: مقدمه بر مدل‌های پیش‌بینی سری زمانی
• 70. فصل ۷۰: استفاده از RNN/LSTM برای پیش‌بینی سری زمانی
• 71. فصل ۷۱: استفاده از CNN برای پیش‌بینی سری زمانی
• 72. فصل ۷۲: استفاده از ترنسفورمر برای پیش‌بینی سری زمانی
• 73. فصل ۷۳: ارزیابی مدل‌های سری زمانی
• 74. فصل ۷۴: تحلیل داده‌های گرافی (Graph Data)
• 75. فصل ۷۵: مقدمه بر شبکه‌های عصبی گرافی (GNN)
• 76. فصل ۷۶: لایه‌های GNN پایه
• 77. فصل ۷۷: ساخت یک GNN ساده
• 78. فصل ۷۸: کاربرد GNN در شبکه‌های اجتماعی
• 79. فصل ۷۹: مقدمه بر یادگیری غیرنظارتی
• 80. فصل ۸۰: خوشه‌بندی (Clustering)
• 81. فصل ۸۱: K-Means با PyTorch
• 82. فصل ۸۲: شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 83. فصل ۸۳: ساخت یک Autoencoder ساده
• 84. فصل ۸۴: کاربرد Autoencoder برای کاهش ابعاد
• 85. فصل ۸۵: مقدمه بر یادگیری تقویتی
• 86. فصل ۸۶: مفاهیم پایه یادگیری تقویتی
• 87. فصل ۸۷: پیاده‌سازی یک عامل ساده یادگیری تقویتی
• 88. فصل ۸۸: مقدمه بر استقرار مدل (Model Deployment)
• 89. فصل ۸۹: ذخیره و بارگذاری مدل‌های PyTorch
• 90. فصل ۹۰: تبدیل مدل به فرمت‌های دیگر (مانند ONNX)
• 91. فصل ۹۱: مقدمه بر PyTorch Lite و Mobile
• 92. فصل ۹۲: استقرار مدل بر روی دستگاه‌های موبایل
• 93. فصل ۹۳: مقدمه بر MLOps
• 94. فصل ۹۴: ابزارهای MLOps برای PyTorch
• 95. فصل ۹۵: مانیتورینگ و Versioning مدل‌ها
• 96. فصل ۹۶: اصول Code Review در پروژه‌های PyTorch
• 97. فصل ۹۷: مدیریت وابستگی‌ها و محیط‌های توسعه
• 98. فصل ۹۸: پیاده‌سازی تست‌های واحد (Unit Tests) برای کد PyTorch
• 99. فصل ۹۹: اخلاق در هوش مصنوعی و تحلیل داده
• 100. فصل ۱۰۰: جمع‌بندی و مسیرهای آینده