کتاب صوتی یادگیری عمیق کاربردی با پایتون و PyTorch

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق کاربردی با پایتون و PyTorch

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و یادگیری ماشین
• 2. کاربردها و پتانسیل‌های یادگیری عمیق
• 3. چرا پایتون برای یادگیری عمیق؟
• 4. محیط توسعه و ابزارهای پایتون
• 5. نصب و راه‌اندازی PyTorch
• 6. ساختار کلی شبکه‌های عصبی
• 7. مفهوم نورون و لایه‌ها
• 8. توابع فعال‌سازی و اهمیت آن‌ها
• 9. انتشار رو به جلو (Forward Propagation)
• 10. انتشار رو به عقب (Backpropagation)
• 11. تابع هزینه (Loss Function) و بهینه‌سازی
• 12. بهینه‌سازها (Optimizers): گرادیان کاهشی
• 13. انواع گرادیان کاهشی: دسته‌ای، تصادفی، مینی‌بچ
• 14. تنظیم نرخ یادگیری (Learning Rate)
• 15. تنظیمات اولیه (Initialization) وزن‌ها
• 16. منظم‌سازی (Regularization) برای جلوگیری از بیش‌برازش
• 17. انواع منظم‌سازی: L1 و L2
• 18. تکنیک Dropout
• 19. مدل‌های پیش‌خور (Feedforward Networks)
• 20. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 21. ساخت اولین مدل MLP با PyTorch
• 22. آموزش مدل MLP بر روی داده‌های طبقه‌بندی
• 23. ارزیابی عملکرد مدل MLP
• 24. کاربرد MLP در مسائل رگرسیون
• 25. شبکه‌های عصبی کانولوشنال (CNN)
• 26. مفهوم کانولوشن و فیلترها
• 27. لایه‌های کانولوشن و پولینگ
• 28. معماری‌های معروف CNN (مانند LeNet)
• 29. ساخت مدل CNN با PyTorch
• 30. آموزش مدل CNN برای تشخیص تصویر
• 31. افزایش دقت مدل CNN
• 32. شبکه‌های عصبی بازگشتی (RNN)
• 33. مفهوم حافظه و حالت پنهان در RNN
• 34. انواع RNN: Simple RNN، LSTM، GRU
• 35. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 36. ساخت مدل RNN با PyTorch
• 37. آموزش مدل RNN برای پیش‌بینی سری زمانی
• 38. کاربرد LSTM در پردازش متن
• 39. کاربرد GRU در مدل‌سازی دنباله‌ها
• 40. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 41. نمایش کلمات: Word Embeddings
• 42. تکنیک‌های Word2Vec (Skip-gram, CBOW)
• 43. استفاده از GloVe و FastText
• 44. آموزش مدل‌های NLP با PyTorch
• 45. ساخت مدل طبقه‌بندی متن
• 46. مدل‌های تولید متن
• 47. استفاده از ترنسفورمرها (Transformers)
• 48. مفهوم Attention Mechanism
• 49. معماری ترنسفورمر (Encoder-Decoder)
• 50. مدل‌های از پیش آموزش‌دیده (مانند BERT)
• 51. تنظیم دقیق (Fine-tuning) مدل‌های ترنسفورمر
• 52. کاربرد ترنسفورمرها در ترجمه ماشینی
• 53. کاربرد ترنسفورمرها در خلاصه‌سازی متن
• 54. یادگیری انتقالی (Transfer Learning)
• 55. مفهوم مدل‌های از پیش آموزش‌دیده
• 56. استفاده از مدل‌های CNN از پیش آموزش‌دیده
• 57. استفاده از مدل‌های NLP از پیش آموزش‌دیده
• 58. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 59. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 60. مفاهیم عامل، محیط، پاداش
• 61. سیاست‌ها و توابع ارزش
• 62. الگوریتم‌های Q-Learning
• 63. الگوریتم Deep Q-Network (DQN)
• 64. پیاده‌سازی DQN با PyTorch
• 65. کاربرد یادگیری تقویتی در رباتیک
• 66. کاربرد یادگیری تقویتی در بازی‌ها
• 67. مقدمه‌ای بر مدل‌های مولد (Generative Models)
• 68. شبکه‌های مولد تخاصمی (GANs)
• 69. معماری Generator و Discriminator
• 70. آموزش GANs
• 71. کاربرد GANs در تولید تصویر
• 72. مدل‌های انتشار (Diffusion Models)
• 73. معماری مدل‌های انتشار
• 74. کاربرد مدل‌های انتشار در تولید تصویر
• 75. مقدمه‌ای بر یادگیری خودنظارت (Self-Supervised Learning)
• 76. تکنیک‌های Contrastive Learning
• 77. کاربرد یادگیری خودنظارت در بینایی ماشین
• 78. کاربرد یادگیری خودنظارت در NLP
• 79. مقدمه‌ای بر یادگیری نیمه‌نظارت (Semi-Supervised Learning)
• 80. تکنیک‌های رایج در یادگیری نیمه‌نظارت
• 81. کاربرد یادگیری نیمه‌نظارت
• 82. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 83. مفاهیم و چالش‌های یادگیری فدرال
• 84. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 85. بهینه‌سازی و مقیاس‌پذیری مدل‌ها
• 86. ابزارهای مانیتورینگ و لاگ‌برداری
• 87. استفاده از GPU برای تسریع آموزش
• 88. توزیع آموزش بر روی چندین GPU
• 89. مقدمه‌ای بر مدل‌های قابل تفسیر (Explainable AI - XAI)
• 90. تکنیک‌های XAI برای شبکه‌های عصبی
• 91. کاربرد XAI در درک تصمیمات مدل
• 92. اخلاق در هوش مصنوعی و یادگیری عمیق
• 93. مسائل مربوط به سوگیری (Bias) در داده‌ها
• 94. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 95. نکات پیشرفته در PyTorch
• 96. مدیریت داده‌ها با `torch.utils.data`
• 97. ساخت DataLoader سفارشی
• 98. تکنیک‌های پیشرفته تنظیم نرخ یادگیری
• 99. استفاده از ابزارهای Visualize (مانند TensorBoard)
• 100. آینده یادگیری عمیق و یادگیری ماشین