توضیحات
Complete Deep Learning Bootcamp with PyTorch، دوره آموزش جامع یادگیری عمیق با PyTorch توسط آکادمی Udemy منتشر شده است.مبانی PyTorch: تنسورها، گراف‌های محاسباتی، Autograd، پس‌انتشار، حلقه‌های آموزش، nn.Module، توابع خطا، بهینه‌سازها، Dataset و DataLoader. شبکه‌های عصبی: وزن‌ها، بایاس‌ها، انتشار رو به جلو و رو به عقب، توابع فعال‌سازی، گرادیان کاهشی، بهینه‌سازی، مقداردهی اولیه وزن‌ها و توابع خطا. منظم‌سازی و آموزش: منظم‌سازی L1 و L2، Dropout، Batch Normalization، Layer Normalization، Instance Normalization و توقف زودهنگام (Early Stopping). شبکه‌های عصبی کانولوشنی: کانولوشن، کرنل‌ها، نقشه‌های ویژگی، پدینگ، گام حرکت، پولینگ، معماری‌های CNN و افزایش داده. معماری‌های مدرن CNN: مدل‌های VGG، ResNet، DenseNet و MobileNet و یادگیری انتقالی (Transfer Learning). بینایی ماشین: طبقه‌بندی تصویر، Grad-CAM، تشخیص اشیا، YOLO و تکنیک‌های پیشرفته قطعه‌بندی تصویر. قطعه‌بندی تصویر: مدل‌های U-Net، Mask R-CNN، FCN، SegNet، DeepLab، PSPNet، HRNet، BiSeNet و SegFormer و قطعه‌بندی مبتنی بر ترنسفورمر. مدل‌های ترتیبی: RNN، LSTM، GRU، شبکه‌های عصبی بازگشتی دوسویه، BiLSTM، BiGRU، شبکه‌های بازگشتی پشته‌ای و Seq2Seq. سازوکارهای توجه: Bahdanau Attention، Luong Attention، توجه سراسری و محلی و Self-Attention. ترنسفورمرها: QKV، توجه چندسری (Multi-Head Attention)، معماری ترنسفورمر، رمزگذار (Encoder)، رمزگشا (Decoder)، Add & Norm و شبکه‌های پیش‌خور (Feed-Forward Networks).
پروژه‌های عملی: با استفاده از PyTorch، مجموعه‌داده‌های دنیای واقعی و معماری‌های مدرن یادگیری عمیق، پروژه‌های کاربردی بسازید. یادگیری عملی: مفاهیم، ریاضیات، پیاده‌سازی، کدنویسی، آموزش مدل و ارزیابی آن را به‌صورت عملی بیاموزید. در پایان این دوره، پایه‌ای قوی در یادگیری عمیق خواهید داشت و تجربه عملی ساخت شبکه‌های عصبی و کاربردهای واقعی، سامانه‌های بینایی ماشین، مدل‌های ترتیبی و راهکارهای مبتنی بر ترنسفورمر با استفاده از PyTorch را کسب خواهید کرد.
آنچه خواهید آموخت
- مدل‌های یادگیری عمیق را با PyTorch بسازید و آموزش دهید؛ از جمله تنسورها، Autograd، شبکه‌های عصبی، توابع خطا و بهینه‌سازها.
- شبکه‌های عصبی، CNNها، RNNها، LSTMها، GRUها و معماری‌های مدرن ترنسفورمر را درک کرده و پیاده‌سازی کنید.
- یادگیری عمیق را در مسائل واقعی بینایی ماشین، از جمله طبقه‌بندی تصویر، تشخیص اشیا و قطعه‌بندی تصویر، به کار بگیرید.
- با استفاده از PyTorch، یادگیری انتقالی، YOLO، Grad-CAM و مدل‌های پیشرفته بینایی ماشین، پروژه‌های عملی یادگیری عمیق بسازید.
- مفهوم توجه، خودتوجهی، QKV، توجه چندسری و معماری مدل‌های ترنسفورمر را درک کنید.
- برای بهبود عملکرد مدل، تکنیک‌های بهینه‌سازی، منظم‌سازی، نرمال‌سازی، مقداردهی اولیه وزن‌ها و آموزش را به کار بگیرید.
- با استفاده از RNN، LSTM، GRU، Seq2Seq و سازوکارهای توجه، راهکارهای پردازش زبان طبیعی مبتنی بر داده‌های ترتیبی بسازید.
- با استفاده از مجموعه‌داده‌های دنیای واقعی و فرایندهای عملی ساخت مدل، راهکارهای یادگیری عمیق سرتاسری را توسعه دهید و ارزیابی کنید.
این دوره برای چه کسانی مناسب است
- دانشمندان داده و مهندسان یادگیری ماشین آینده که می‌خواهند یادگیری عمیق را با PyTorch بیاموزند.
- توسعه‌دهندگان Python که قصد دارند وارد حوزه یادگیری عمیق و هوش مصنوعی شوند.
- متخصصان یادگیری ماشین که می‌خواهند مهارت‌های خود را در زمینه یادگیری عمیق و بینایی ماشین تقویت کنند.
- دانشجویان و افراد مبتدی حوزه هوش مصنوعی و یادگیری ماشین که به دنبال مسیری ساختارمند و عملی، از مبانی شبکه‌های عصبی تا معماری‌های پیشرفته هستند.
- توسعه‌دهندگان و متخصصان علاقه‌مند به بینایی ماشین، پردازش زبان طبیعی (NLP)، RNN، LSTM، ترنسفورمرها و مبانی هوش مصنوعی مولد.
- افرادی که برای مصاحبه‌های یادگیری عمیق و هوش مصنوعی آماده می‌شوند و به دنبال درک مفاهیم و تجربه عملی پیاده‌سازی هستند.
- تمام افرادی که می‌خواهند با استفاده از PyTorch پروژه‌های واقعی یادگیری عمیق را از مرحله توسعه مدل تا پیاده‌سازی عملی بسازند.
مشخصات دوره Complete Deep Learning Bootcamp with PyTorch
- ناشر : Udemy
- مدرس : EduMentor Deepti
- زبان: انگلیسی
- سطح آموزش: تمام سطوح
- تعداد دروس: 110
- مدت زمان آموزش: 43 ساعت و 44 دقیقه
سر فصل های دوره Complete Deep Learning Bootcamp with PyTorch
پیش نیاز های دوره
- Basic Python programming knowledge is recommended. Familiarity with variables, functions, loops, and basic data structures is helpful.
- Basic understanding of Machine Learning concepts such as training, testing, features, labels, and model evaluation is recommended.
- Basic knowledge of NumPy and Pandas will be helpful when working with datasets and implementing practical projects.
- No prior PyTorch or Deep Learning experience is required. The course starts with PyTorch fundamentals and builds progressively.
- A computer capable of running Python and PyTorch is required. A GPU is helpful for larger projects but is not mandatory for learning the concepts.
تصاویر
فیلم نمونه
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: ندارد
کیفیت: 720p
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
76.01 گیگابایت
