سپنتا کتاب اکسپرس
کتاب یادگیری عمیق با پایتورچ: از مبانی تا ساخت مدل‌های واقعی

کتاب یادگیری عمیق با پایتورچ: از مبانی تا ساخت مدل‌های واقعی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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 پایتورچ: از مبانی تا ساخت مدل‌های واقعی

موضوع کلی: هوش مصنوعی

موضوع میانی: پیاده‌سازی مدل‌های یادگیری عمیق

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. یادگیری عمیق: مقدمه‌ای بر دنیای هوش مصنوعی
  • 2. پایتورچ: معرفی و نصب
  • 3. تنسورها در پایتورچ: ساخت، عملیات و انواع داده
  • 4. محاسبه گرادیان و مشتقات خودکار (Autograd) در پایتورچ
  • 5. رگرسیون خطی با پایتورچ: پیاده‌سازی از ابتدا
  • 6. رگرسیون لجستیک با پایتورچ: طبقه‌بندی با استفاده از سیگموید
  • 7. شبکه‌های عصبی: ساختار، فعال‌سازی‌ها و توابع هزینه
  • 8. پس انتشار (Backpropagation): الگوریتم آموزش شبکه‌های عصبی
  • 9. بهینه‌سازها (Optimizers): گرادیان کاهشی و انواع آن
  • 10. مجموعه‌داده‌ها و DataLoaderها در پایتورچ
  • 11. آماده‌سازی داده‌ها: پیش‌پردازش و نرمال‌سازی
  • 12. ارزیابی مدل: معیارها و تکنیک‌ها
  • 13. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting): تشخیص و راهکارها
  • 14. Regularization: L1, L2 و Dropout
  • 15. مقایسه مدل‌ها: انتخاب بهترین معماری
  • 16. شبکه‌های عصبی چندلایه (MLP): طراحی و پیاده‌سازی
  • 17. فعال‌سازی‌های پیشرفته: ReLU, Leaky ReLU, ELU
  • 18. مقداردهی اولیه وزن‌ها: روش‌های موثر
  • 19. Batch Normalization: افزایش سرعت و پایداری آموزش
  • 20. TensorBoard: مانیتورینگ آموزش مدل
  • 21. حفظ و بارگیری مدل‌ها در پایتورچ
  • 22. انتقال یادگیری (Transfer Learning): استفاده از مدل‌های پیش‌آموزش‌داده‌شده
  • 23. مدل‌های پیش‌آموزش‌داده‌شده در پایتورچ ویژن
  • 24. پردازش تصویر: فیلترها، کانولوشن‌ها و Pooling
  • 25. شبکه‌های کانولوشنی (CNNs): ساختار و عملکرد
  • 26. معماری‌های معروف CNN: LeNet, AlexNet, VGGNet
  • 27. معماری‌های مدرن CNN: ResNet, Inception, EfficientNet
  • 28. داده‌افزایی (Data Augmentation): افزایش حجم داده‌ها
  • 29. تشخیص اشیاء (Object Detection): مقدمه و چالش‌ها
  • 30. الگوریتم‌های تشخیص اشیاء: R-CNN, Fast R-CNN, Faster R-CNN
  • 31. YOLO: You Only Look Once
  • 32. SSD: Single Shot MultiBox Detector
  • 33. Segmentation تصویر: معنایی و نمونه‌ای
  • 34. شبکه‌های Fully Convolutional Networks (FCN)
  • 35. U-Net: معماری برای Segmentation
  • 36. پردازش زبان طبیعی (NLP): مقدمه و توکن‌سازی
  • 37. Embedding کلمات: Word2Vec, GloVe
  • 38. شبکه‌های بازگشتی (RNNs): ساختار و عملکرد
  • 39. LSTM: Long Short-Term Memory
  • 40. GRU: Gated Recurrent Unit
  • 41. توالی به توالی (Sequence-to-Sequence): معماری و کاربردها
  • 42. Attention Mechanism: تمرکز بر مهم‌ترین بخش‌های ورودی
  • 43. Transformer: معماری نوین در NLP
  • 44. BERT: Bidirectional Encoder Representations from Transformers
  • 45. GPT: Generative Pre-trained Transformer
  • 46. مدل‌های زبانی: آموزش و تولید متن
  • 47. Classification متن: با استفاده از RNN و Transformer
  • 48. ماشین ترجمه (Machine Translation): با استفاده از Seq2Seq و Attention
  • 49. تولید متن مشروط (Conditional Text Generation)
  • 50. Question Answering: پاسخ به سوالات با استفاده از NLP
  • 51. Sentiment Analysis: تحلیل احساسات متن
  • 52. Named Entity Recognition (NER): تشخیص موجودیت‌های نام‌دار
  • 53. Autoencoders: کاهش ابعاد و بازسازی داده‌ها
  • 54. Variational Autoencoders (VAEs): تولید داده‌های جدید
  • 55. Generative Adversarial Networks (GANs): مقدمه و ساختار
  • 56. DCGAN: Deep Convolutional GAN
  • 57. Conditional GAN (cGAN): تولید داده‌های شرطی
  • 58. CycleGAN: انتقال سبک تصویر
  • 59. StyleGAN: تولید تصاویر با کیفیت بالا
  • 60. Reinforcement Learning: مقدمه و مفاهیم پایه
  • 61. Q-Learning: الگوریتم یادگیری تقویتی
  • 62. Deep Q-Network (DQN): ترکیب یادگیری تقویتی و شبکه‌های عصبی
  • 63. Policy Gradient Methods: REINFORCE
  • 64. Actor-Critic Methods: A2C, A3C
  • 65. TensorFlow vs PyTorch: مقایسه و انتخاب
  • 66. پایتورچ Lightning: ساده‌سازی آموزش مدل
  • 67. پایتورچ Hub: اشتراک‌گذاری مدل‌ها و داده‌ها
  • 68. پایتورچ Mobile: اجرای مدل‌ها روی دستگاه‌های موبایل
  • 69. پایتورچ Serve: استقرار مدل‌ها در محیط عملیاتی
  • 70. داده‌کاوی (Data Mining): مفاهیم و تکنیک‌ها
  • 71. پردازش صوت: ویژگی‌های صوتی و مدل‌سازی
  • 72. تشخیص گفتار (Speech Recognition): مقدمه و معماری‌ها
  • 73. تبدیل متن به گفتار (Text-to-Speech): تکنیک‌ها و الگوریتم‌ها
  • 74. یادگیری عمیق در رباتیک
  • 75. یادگیری عمیق در پزشکی: تشخیص بیماری و تصویربرداری
  • 76. یادگیری عمیق در خودروهای خودران
  • 77. تشخیص ناهنجاری (Anomaly Detection)
  • 78. پیش‌بینی سری‌های زمانی (Time Series Forecasting)
  • 79. خوشه‌بندی (Clustering): الگوریتم‌های مبتنی بر یادگیری عمیق
  • 80. کاهش ابعاد (Dimensionality Reduction): PCA, t-SNE
  • 81. یادگیری نیمه نظارتی (Semi-Supervised Learning)
  • 82. یادگیری خود نظارتی (Self-Supervised Learning)
  • 83. یادگیری متا (Meta-Learning)
  • 84. یادگیری انتقال دامنه (Domain Adaptation)
  • 85. یادگیری Active (Active Learning)
  • 86. محاسبات لبه (Edge Computing): اجرای مدل‌ها در لبه شبکه
  • 87. امنیت یادگیری عمیق: حملات و دفاع‌ها
  • 88. تفسیرپذیری (Explainability) یادگیری عمیق
  • 89. اخلاق در هوش مصنوعی و یادگیری عمیق
  • 90. معماری‌های جدید و تحقیقات روز دنیا در یادگیری عمیق
  • 91. بهینه‌سازی هایپرپارامترها (Hyperparameter Optimization)
  • 92. خودکارسازی یادگیری ماشین (AutoML)
  • 93. مقیاس‌پذیری مدل‌های یادگیری عمیق
  • 94. یادگیری توزیع‌شده (Distributed Learning)
  • 95. محاسبات ابری (Cloud Computing) برای یادگیری عمیق
  • 96. ساخت یک پروژه واقعی: طبقه‌بندی تصاویر با CNN
  • 97. ساخت یک پروژه واقعی: تولید متن با RNN
  • 98. ساخت یک پروژه واقعی: تشخیص اشیاء با YOLO
  • 99. ساخت یک پروژه واقعی: segmentation تصویر با U-Net
  • 100. راهکارهای افزایش دقت مدل

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.