کتاب صوتی آشنایی با PyTorch برای توسعه مدل‌های یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با PyTorch برای توسعه مدل‌های یادگیری عمیق

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری عمیق و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 2. نصب و راه‌اندازی PyTorch
• 3. مبانی تنسورها در PyTorch
• 4. عملیات پایه بر روی تنسورها
• 5. نحوه اندیس‌گذاری و برش تنسورها
• 6. تغییر شکل تنسورها
• 7. تنسورهای تصادفی و مقادیر اولیه
• 8. عملیات ریاضی بر روی تنسورها
• 9. توابع فعال‌سازی در شبکه‌های عصبی
• 10. مقدمه‌ای بر گرادیان و پس‌انتشار
• 11. محاسبه گرادیان با Autograd
• 12. ایجاد مدل‌های ساده با PyTorch
• 13. لایه خطی (Fully Connected)
• 14. توابع زیان (Loss Functions)
• 15. بهینه‌سازها (Optimizers)
• 16. آموزش یک مدل ساده رگرسیون
• 17. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 18. لایه کانولوشن (Conv2d)
• 19. لایه Pooling (MaxPool2d)
• 20. ساخت یک CNN ساده برای طبقه‌بندی تصاویر
• 21. مجموعه داده‌های تصویری و بارگذاری آن‌ها
• 22. پیش‌پردازش داده‌های تصویری
• 23. آموزش CNN با مجموعه داده‌های واقعی
• 24. ارزیابی عملکرد مدل CNN
• 25. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 26. لایه RNN ساده
• 27. لایه LSTM
• 28. لایه GRU
• 29. ساخت یک RNN ساده برای تحلیل سری‌های زمانی
• 30. پیش‌پردازش داده‌های سری زمانی
• 31. آموزش RNN با داده‌های سری زمانی
• 32. ارزیابی عملکرد مدل RNN
• 33. مقدمه‌ای بر مدل‌های ترنسفورمر (Transformer)
• 34. مکانیزم توجه (Attention Mechanism)
• 35. ساخت یک مدل ترنسفورمر پایه
• 36. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 37. آموزش مدل ترنسفورمر برای ترجمه ماشینی
• 38. ارزیابی عملکرد مدل ترنسفورمر
• 39. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 40. مفاهیم پایه یادگیری تقویتی
• 41. معماری‌های یادگیری تقویتی با PyTorch
• 42. آموزش یک عامل یادگیری تقویتی ساده
• 43. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 44. معماری GAN
• 45. آموزش یک GAN ساده
• 46. کاربرد GAN در تولید تصاویر
• 47. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 48. مبانی گراف‌ها و عملیات آن‌ها
• 49. پیاده‌سازی GNN با PyTorch
• 50. کاربرد GNN در پیش‌بینی خواص مولکولی
• 51. یادگیری انتقالی (Transfer Learning)
• 52. استفاده از مدل‌های از پیش آموزش‌دیده
• 53. تنظیم دقیق (Fine-tuning) مدل‌ها
• 54. کاربرد یادگیری انتقالی در طبقه‌بندی تصاویر
• 55. مباحث پیشرفته در شبکه‌های عصبی کانولوشنی
• 56. شبکه‌های عصبی پیشرفته برای تشخیص اشیاء
• 57. شبکه‌های عصبی برای بخش‌بندی تصاویر
• 58. مدل‌های تشخیص چهره
• 59. مباحث پیشرفته در شبکه‌های عصبی بازگشتی
• 60. مدل‌های زبانی پیشرفته
• 61. تولید متن با RNN و ترنسفورمر
• 62. مدل‌های تشخیص احساسات
• 63. مباحث پیشرفته در یادگیری تقویتی
• 64. یادگیری عمیق تقویتی (Deep RL)
• 65. الگوریتم‌های Actor-Critic
• 66. یادگیری تقویتی چند عاملی
• 67. مباحث پیشرفته در شبکه‌های مولد تخاصمی
• 68. GANهای پیشرفته برای تولید تصاویر واقع‌گرایانه
• 69. GANها برای انتقال سبک تصویر
• 70. GANها برای افزایش وضوح تصاویر
• 71. مباحث پیشرفته در شبکه‌های عصبی گراف
• 72. GNNهای پیشرفته برای تحلیل شبکه‌های اجتماعی
• 73. GNNها برای کشف دارو
• 74. GNNها برای تحلیل شبکه‌های زیستی
• 75. بهینه‌سازی مدل‌های یادگیری عمیق
• 76. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 77. تکنیک‌های منظم‌سازی (Regularization)
• 78. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 79. یادگیری بدون نظارت (Unsupervised Learning)
• 80. خوشه‌بندی با شبکه‌های عصبی
• 81. کاهش ابعاد با شبکه‌های عصبی
• 82. استخراج ویژگی با شبکه‌های عصبی
• 83. مقدمه‌ای بر هوش مصنوعی اخلاقی و مسئولانه
• 84. ملاحظات حریم خصوصی در هوش مصنوعی
• 85. تفسیرپذیری مدل‌های هوش مصنوعی
• 86. عدالت و سوگیری در هوش مصنوعی
• 87. مقدمه‌ای بر کاربردهای هوش مصنوعی در صنعت
• 88. هوش مصنوعی در سلامت
• 89. هوش مصنوعی در مالی
• 90. هوش مصنوعی در حمل و نقل
• 91. هوش مصنوعی در تولید
• 92. هوش مصنوعی در کشاورزی
• 93. هوش مصنوعی در خدمات مشتری
• 94. هوش مصنوعی در آموزش
• 95. مقدمه‌ای بر پیاده‌سازی مدل‌های یادگیری عمیق در محیط عملیاتی
• 96. ذخیره‌سازی و بارگذاری مدل‌ها
• 97. استقرار مدل‌ها بر روی سرور
• 98. استقرار مدل‌ها بر روی دستگاه‌های موبایل
• 99. استقرار مدل‌ها بر روی دستگاه‌های لبه (Edge Devices)
• 100. مقدمه‌ای بر چارچوب‌های دیگر یادگیری عمیق