اکسپرس 24
کتاب PyTorch از صفر تا صد: ساخت شبکه‌های عصبی با گرادیان‌محور

کتاب PyTorch از صفر تا صد: ساخت شبکه‌های عصبی با گرادیان‌محور

تگ‌ها: ai autograd cnn computer-vision deep-learning gradients machine-learning ml natural-language-processing neural-networks optimizers python pytorch rnn tensors

انتخاب پلن

افزودنی‌های اختیاری

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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره PyTorch از صفر تا صد: ساخت شبکه‌های عصبی با گرادیان‌محور

موضوع کلی: هوش مصنوعی، حاکمیت داده و بازارهای کار

موضوع میانی: فریم‌ورک‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. PyTorch environment installation and setup
  • 2. Introducing tensors: creation and basic properties
  • 3. Tensor operations: arithmetic and indexing
  • 4. Reshaping and transforming tensors
  • 5. Autograd mechanism: tracking operations
  • 6. Building your first computational graph
  • 7. Gradients and backpropagation fundamentals
  • 8. Linear model implementation from scratch
  • 9. Loss functions: Mean Squared Error
  • 10. Loss functions: Cross-Entropy for classification
  • 11. Optimizer introduction: SGD basics
  • 12. Optimizer introduction: Adam and adaptive learning rates
  • 13. Training loop: forward, loss, backward, step
  • 14. Validation loop and accuracy calculation
  • 15. Model checkpointing: save and load
  • 16. Regularization: Dropout layer usage
  • 17. Custom datasets: inheriting from Dataset class
  • 18. DataLoaders: batching and shuffling
  • 19. Image preprocessing: ToTensor and Normalize
  • 20. Data augmentation: RandomCrop and Flip
  • 21. Convolutional layers: Conv1d, Conv2d, Conv3d basics
  • 22. Padding, stride, and receptive field
  • 23. Building a complete CNN architecture
  • 24. Activation functions in CNNs: ReLU, LeakyReLU
  • 25. Pooling layers: MaxPool and AvgPool
  • 26. Transfer learning: using pretrained models
  • 27. Fine-tuning strategies for transfer learning
  • 28. CNN training workflow end-to-end
  • 29. RNN fundamentals: SimpleRNN basics
  • 30. LSTM cells: architecture and usage
  • 31. GRU cells: gated recurrent unit overview
  • 32. Sequence processing with PyTorch RNNs
  • 33. Bidirectional RNNs and their advantages
  • 34. Attention mechanism: additive attention
  • 35. Scaled dot-product attention basics
  • 36. Transformer encoder layer fundamentals
  • 37. Building a custom transformer block
  • 38. Positional encoding implementation
  • 39. Encoder-only models: BERT-style overview
  • 40. Decoder-only models: GPT-style overview
  • 41. Sequence-to-sequence models with attention
  • 42. Text tokenization and vocabulary building
  • 43. Embedding layers for categorical and text data
  • 44. Text classification models: CNN-RNN-Transformer comparison
  • 45. Hyperparameter tuning: learning rate and epochs
  • 46. Early stopping and model selection
  • 47. Mixed precision training with torch.cuda.amp
  • 48. Distributed data parallel (DDP) introduction
  • 49. Custom loss functions for specialized tasks
  • 50. Metric tracking: precision, recall, F1-score
  • 51. Gradient clipping and exploding gradient prevention
  • 52. Model export to TorchScript format
  • 53. Exporting to ONNX for interoperability
  • 54. PyTorch Lightning: organizing code with trainers
  • 55. Optuna integration for hyperparameter search
  • 56. Time series forecasting with LSTM
  • 57. GAN fundamentals: generator and discriminator
  • 58. DCGAN architecture and training loop
  • 59. Conditional GAN: class-conditional generation
  • 60. Autoencoder: encoder-decoder structure
  • 61. Variational Autoencoder: probabilistic latent space
  • 62. Research prototyping best practices in PyTorch
  • 63. Integration with NumPy, Pandas, and Scikit-learn
  • 64. Code modularity and reusability patterns
  • 65. Final capstone project: end-to-end PyTorch workflow

📚 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.