کتاب یادگیری عمیق با PyTorch
, ,

کتاب یادگیری عمیق با PyTorch

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000013450 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری عمیق با PyTorch

موضوع کلی: برنامه نویسی

موضوع میانی: هوش مصنوعی و یادگیری ماشین (AI/ML)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
  • 2. چرا یادگیری عمیق و PyTorch؟
  • 3. نصب و راه‌اندازی محیط توسعه (CUDA, PyTorch)
  • 4. مرور پایتون برای یادگیری عمیق
  • 5. مقدمه‌ای بر NumPy و عملیات آرایه‌ای
  • 6. مفهوم Tensor در PyTorch
  • 7. ایجاد و دستکاری Tensorها
  • 8. عملیات ریاضی روی Tensorها
  • 9. Indexing, Slicing و Reshaping Tensorها
  • 10. جابجایی Tensor بین CPU و GPU (CUDA)
  • 11. مفهوم محاسبات گرادیان و Backpropagation
  • 12. Autograd در PyTorch: ردیابی عملیات
  • 13. `requires_grad` و `grad_fn`
  • 14. محاسبه گرادیان با `backward()`
  • 15. مدیریت گرادیان‌ها و صفر کردن آن‌ها
  • 16. استفاده از `torch.no_grad()` و `model.eval()`
  • 17. مدل پرسپترون و محدودیت‌های آن
  • 18. شبکه‌های عصبی چندلایه (MLP)
  • 19. توابع فعال‌سازی: ReLU, Sigmoid, Tanh, Leaky ReLU
  • 20. لایه‌های خطی (Linear Layers) در `torch.nn`
  • 21. تابع‌های هزینه (Loss Functions): MSE, Cross-Entropy
  • 22. بهینه‌سازها (Optimizers): SGD, Adam, RMSprop
  • 23. کلاس `torch.nn.Module` برای ساخت مدل‌ها
  • 24. ساخت یک شبکه عصبی ساده با `nn.Sequential`
  • 25. سفارشی‌سازی مدل با ارث‌بری از `nn.Module`
  • 26. استراتژی‌های مقداردهی اولیه وزن‌ها
  • 27. آماده‌سازی داده‌ها: `torch.utils.data.Dataset`
  • 28. ایجاد Batchها: `torch.utils.data.DataLoader`
  • 29. چرخه آموزش (Training Loop) در PyTorch
  • 30. انجام Forward Pass و محاسبه Loss
  • 31. انجام Backward Pass و به‌روزرسانی وزن‌ها
  • 32. ارزیابی مدل: چرخه اعتبارسنجی (Validation Loop)
  • 33. ذخیره و بارگذاری مدل‌های PyTorch
  • 34. تنظیم نرخ یادگیری با Learning Rate Schedulers
  • 35. پایش آموزش با TensorBoard یا Weights & Biases (مفهومی)
  • 36. مفهوم Early Stopping
  • 37. Overfitting و Underfitting: شناسایی و مقابله
  • 38. Regularization: L1 و L2 (Weight Decay)
  • 39. لایه Dropout برای جلوگیری از Overfitting
  • 40. Batch Normalization: کاهش Internal Covariate Shift
  • 41. تنظیم Hyperparameterها: رویکردها
  • 42. Data Augmentation برای افزایش تنوع داده
  • 43. مفهوم Bias-Variance Tradeoff
  • 44. عیب‌یابی و دیباگ کردن مدل‌های یادگیری عمیق
  • 45. مقدمه‌ای بر بینایی کامپیوتر
  • 46. عملیات Convolution: فیلترها و استخراج ویژگی
  • 47. Padding و Stride در Convolution
  • 48. لایه‌های Pooling: Max Pooling و Average Pooling
  • 49. `torch.nn.Conv2d` و `torch.nn.MaxPool2d`
  • 50. ساخت یک CNN ساده برای دسته‌بندی تصاویر
  • 51. درک لایه‌های Flatten و Fully Connected در CNN
  • 52. مجموعه داده‌های استاندارد بینایی کامپیوتر (MNIST, CIFAR-10)
  • 53. انتقال یادگیری (Transfer Learning)
  • 54. Fine-tuning مدل‌های از پیش آموزش دیده
  • 55. معماری‌های معروف CNN: LeNet, AlexNet, VGG
  • 56. ResNet: Residual Connections برای شبکه‌های عمیق
  • 57. Inception Networks (GoogLeNet)
  • 58. MobileNets و شبکه‌های سبک وزن
  • 59. مدل‌های Pre-trained در `torchvision.models`
  • 60. معماری U-Net برای Semantic Segmentation (مفهومی)
  • 61. معرفی Object Detection (R-CNN, YOLO, SSD – مفهومی)
  • 62. داده‌افزایی پیشرفته در بینایی کامپیوتر
  • 63. PyTorch Hub و استفاده از مدل‌های آماده
  • 64. معرفی Vision Transformers (ViT)
  • 65. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 66. مدل‌سازی داده‌های توالی: چالش‌ها
  • 67. Recurrent Neural Networks (RNN) پایه
  • 68. مشکل Vanishing/Exploding Gradients در RNNها
  • 69. شبکه‌های حافظه بلند-کوتاه مدت (LSTM)
  • 70. واحدهای بازگشتی دروازه‌بندی شده (GRU)
  • 71. پیاده‌سازی RNN, LSTM, GRU در PyTorch
  • 72. بسته‌بندی توالی‌ها (Padding and Packing)
  • 73. RNNهای دو جهته (Bidirectional RNNs)
  • 74. کاربردهای RNN در تولید متن و تحلیل احساسات
  • 75. Word Embeddings: Word2Vec, GloVe (مفهومی)
  • 76. لایه `torch.nn.Embedding`
  • 77. Subword Tokenization (BPE, WordPiece – مفهومی)
  • 78. مفهوم Attention Mechanism
  • 79. Self-Attention در شبکه‌های عصبی
  • 80. معماری Transformer: Encoder-Decoder
  • 81. Multi-Head Attention در Transformer
  • 82. Positional Encoding برای توالی‌ها
  • 83. پیاده‌سازی یک لایه Transformer در PyTorch
  • 84. معرفی مدل‌های Pre-trained Transformer (BERT, GPT – مفهومی)
  • 85. مقدمه‌ای بر مدل‌های مولد (Generative Models)
  • 86. Autoencoderها برای کاهش ابعاد و یادگیری ویژگی
  • 87. Variational Autoencoders (VAEs): تولید داده و یادگیری فضای نهان
  • 88. شبکه‌های مولد تخاصمی (GANs): Generator و Discriminator
  • 89. چرخه آموزش GANها و چالش‌های آن
  • 90. Conditional GANs
  • 91. کاربردهای GANs: تولید تصویر، Style Transfer
  • 92. آموزش توزیع شده (Distributed Training) در PyTorch (مفهومی)
  • 93. بهینه‌سازی مدل برای دیپلوی: TorchScript و ONNX
  • 94. استفاده از GPUهای چندگانه با `nn.DataParallel` (مفهومی)
  • 95. معرفی Explainable AI (XAI) و Interpretability
  • 96. اخلاق در هوش مصنوعی و یادگیری عمیق
  • 97. تعصب و عدالت در مدل‌های ML
  • 98. استفاده از اکوسیستم PyTorch (TorchVision, TorchText, TorchAudio)
  • 99. مروری بر جدیدترین پیشرفت‌ها و روندهای یادگیری عمیق
  • 100. پروژه‌های عملی و منابع برای ادامه یادگیری

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب یادگیری عمیق با PyTorch”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا