دوره آموزش جامع و کاربردی یادگیری عمیق با استفاده از کتابخانه PyTorch همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع و کاربردی یادگیری عمیق با استفاده از کتابخانه PyTorch

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری عمیق (Deep Learning) و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق در علوم رایانه
• 2. معرفی محیط برنامه‌نویسی پایتون برای یادگیری عمیق
• 3. نصب و راه‌اندازی کتابخانه پای‌تورچ و ابزارهای توسعه
• 4. آشنایی با ساختار داده‌ای تنسور در پای‌تورچ
• 5. عملیات ریاضی و جبر خطی بر روی تنسورها
• 6. مدیریت حافظه و محاسبات بر روی پردازنده گرافیکی
• 7. مبانی مشتق‌گیری خودکار و نمودار محاسباتی در پای‌تورچ
• 8. مفهوم رگرسیون خطی و پیاده‌سازی آن با پای‌تورچ
• 9. درک تابع هزینه و الگوریتم‌های بهینه‌سازی
• 10. مفهوم پس‌انتشار خطا و به‌روزرسانی وزن‌ها
• 11. ساختار شبکه‌های عصبی پرسپترون چندلایه
• 12. توابع فعال‌ساز غیرخطی و نقش آن‌ها در یادگیری
• 13. مسئله برازش بیش‌ازحد و روش‌های منظم‌سازی
• 14. معرفی مجموعه داده‌های استاندارد و پیش‌پردازش آن‌ها
• 15. بارگذاری داده‌ها با استفاده از DataLoader و Dataset
• 16. طراحی معماری شبکه عصبی با استفاده از ماژول nn.Module
• 17. آموزش مدل و حلقه‌های تکرار در پای‌تورچ
• 18. ارزیابی مدل و معیارهای سنجش دقت
• 19. ذخیره‌سازی و بازیابی مدل‌های آموزش‌دیده
• 20. مبانی شبکه‌های عصبی کانولوشنی برای پردازش تصویر
• 21. لایه کانولوشن و عملیات فیلترگذاری
• 22. لایه ادغام و کاهش ابعاد در تصاویر
• 23. پیاده‌سازی شبکه‌های عصبی عمیق برای دسته‌بندی تصاویر
• 24. استفاده از معماری‌های پیش‌فرض و یادگیری انتقالی
• 25. تکنیک‌های افزایش داده برای بهبود عملکرد مدل
• 26. مبانی شبکه‌های عصبی بازگشتی برای داده‌های ترتیبی
• 27. ساختار واحدهای LSTM و GRU
• 28. کاربرد شبکه‌های بازگشتی در پردازش متن
• 29. مفهوم مکانیزم توجه و ترنسفورمرها
• 30. پیاده‌سازی مدل‌های ساده پردازش زبان طبیعی
• 31. آشنایی با شبکه‌های مولد رقابتی
• 32. نحوه عملکرد توابع زیان در شبکه‌های مولد
• 33. آموزش مدل‌های مولد برای تولید داده‌های مصنوعی
• 34. مدیریت مدل‌های بزرگ و بهینه‌سازی حافظه
• 35. تکنیک‌های استقرار مدل‌های یادگیری عمیق در محیط عملیاتی
• 36. پیاده‌سازی مدل‌ها در محیط‌های صنعتی با رعایت استانداردهای امنیتی
• 37. ملاحظات اخلاقی و مسئولیت‌پذیری در توسعه هوش مصنوعی
• 38. بررسی کاربردهای هوش مصنوعی در حوزه‌های سلامت و صنعت کشور
• 39. پروژه نهایی: طراحی و پیاده‌سازی یک سیستم هوشمند کاربردی