آموزش جامع یادگیری عمیق از صفر تا پروژه | شبکه‌های عصبی، CNN، RNN و هوش مصنوعی - 5 | Pista Academy

از Pista Academy حمایت کنید

حمایت شما به ادامه تولید آموزش‌های باکیفیت کمک می‌کند.

حمایت مالی

Pista Academy

LEARN • BUILD • GROW

آموزش جامع یادگیری عمیق از صفر تا پروژه | شبکه‌های عصبی، CNN، RNN و هوش مصنوعی - 5 | Pista Academy

خلاصه آموزشی

خلاصه این جلسه

مرور سریع مفاهیم اصلی پیش از تماشای کامل یا برای جمع‌بندی بعد از آموزش.

در این جلسه، مدرس به بررسی مفاهیم اورفیتینگ و کراسولیدیشن در یادگیری عمیق پرداخته و توضیح می‌دهد که چگونه مدل‌ها می‌توانند به خوبی داده‌های آموزشی را یاد بگیرند اما عملکرد ضعیفی در داده‌های جدید داشته باشند. همچنین، به تقسیم داده‌ها به سه بخش آموزش، ولیدیشن و تست پرداخته شده است تا عملکرد مدل به طور دقیق ارزیابی شود. روش‌های مختلف ارزیابی مدل در مسائل رگرسیون نیز معرفی شده‌اند و اهمیت استفاده صحیح از دیتای تست برای جلوگیری از یادگیری ناخواسته توضیح داده شده است.

نکات کلیدی

در این جلسه یاد می‌گیرید

اورفیتینگ به این وضعیت اشاره دارد که مدل به خوبی داده‌های آموزشی را یاد می‌گیرد اما عملکرد ضعیفی در داده‌های جدید دارد.

کراسولیدیشن روشی است که داده‌ها را به بخش‌های مختلف تقسیم می‌کند تا عملکرد مدل بر روی داده‌های جدید بهتر ارزیابی شود.

داده‌ها به سه بخش آموزش، ولیدیشن و تست تقسیم می‌شوند. ولیدیشن برای ارزیابی مدل در طی فرآیند آموزش استفاده می‌شود و تست برای ارزیابی نهایی مدل.

روش‌های مختلف ارزیابی مدل در مسائل رگرسیون مانند ام اس ای، ام ای، ام اس ای جذر و آر ام اس ای معرفی شده‌اند.

متن ویدیو

Transcript کامل

متن زمان‌بندی‌شده این جلسه برای مرور، جستجو و دسترسی سریع‌تر.

00:03
سلام عرض می‌کنم خدمت دوستان عزیز. بریم سراغ فصل بعدی دورمون و قراره در رابطه با
00:07
مفهوم اورفیتینگ و کراسیتیشن صحبت بکنیم.
00:13
اول بریم سراغ اورفیتینگ.
00:15
ببینیم اورفیتینگ چیه. بعد بریم جلوتر.

پرسش‌های رایج

سؤالات متداول این جلسه

پاسخ کوتاه و مستقیم به پرسش‌هایی که معمولاً هنگام یادگیری این موضوع مطرح می‌شوند.

اورفیتینگ چیست؟↓

اورفیتینگ به این وضعیت اشاره دارد که مدل به خوبی داده‌های آموزشی را یاد می‌گیرد اما عملکرد ضعیفی در داده‌های جدید دارد.

کراسولیدیشن چه کاری انجام می‌دهد؟↓

کراسولیدیشن روشی است که داده‌ها را به بخش‌های مختلف تقسیم می‌کند تا عملکرد مدل بر روی داده‌های جدید بهتر ارزیابی شود.

داده‌ها به چند بخش تقسیم می‌شوند؟↓

داده‌ها به سه بخش آموزش، ولیدیشن و تست تقسیم می‌شوند.

چه روش‌هایی برای ارزیابی مدل در رگرسیون استفاده می‌شود؟↓

آخرین به‌روزرسانی محتوای متنی: 2026-10-04

درباره این ویدیو

در این دوره جامع، وارد دنیای Deep Learning (یادگیری عمیق) می‌شویم و مفاهیم اصلی، الگوریتم‌ها و تکنیک‌های مورد استفاده در ساخت مدل‌های هوش مصنوعی را از پایه یاد می‌گیریم. این دوره برای افرادی طراحی شده که می‌خواهند درک عمیقی از شبکه‌های عصبی، معماری‌های مدرن یادگیری عمیق و نحوه پیاده‌سازی مدل‌های هوش مصنوعی با Python و PyTorch داشته باشند. در طول این دوره ابتدا با مفاهیم پایه Deep Learning آشنا می‌شویم و سپس قدم‌به‌قدم به سمت ساخت و آموزش مدل‌های واقعی حرکت می‌کنیم. در این دوره یاد می‌گیرید: 🔹 مفاهیم پایه یادگیری عمیق و نحوه عملکرد شبکه‌های عصبی 🔹 کار با Python، NumPy و PyTorch برای توسعه مدل‌های Deep Learning 🔹 ساخت و آموزش Artificial Neural Networks (ANNs) 🔹 مفهوم Gradient Descent و نحوه بهینه‌سازی مدل‌ها 🔹 جلوگیری از Overfitting با روش‌هایی مانند Regularization و Cross Validation 🔹 انتخاب Activation Function، Optimizer و Hyperparameterها 🔹 ساخت Feed Forward Neural Networks 🔹 ارزیابی عملکرد مدل‌های یادگیری ماشین 🔹 کار با پروژه‌های عملی Deep Learning 🔹 آشنایی با Autoencoderها 🔹 اجرای مدل‌های Deep Learning روی GPU 🔹 طراحی و پیاده‌سازی Convolutional Neural Networks (CNNs) 🔹 پروژه‌های مرتبط با تصاویر و Computer Vision 🔹 Transfer Learning و استفاده از مدل‌های از پیش آموزش‌دیده 🔹 Neural Style Transfer 🔹 Generative Adversarial Networks (GANs) 🔹 Recurrent Neural Networks (RNNs) و مدل‌های GRU/LSTM 🔹 مباحث اخلاقی و آینده Deep Learning همچنین در بخش‌های ابتدایی دوره، مباحث ضروری Python شامل: ✅ ساختار داده‌ها در Python ✅ Indexing و Slicing ✅ Functions ✅ Flow Control ✅ کار با Text و Plotها بررسی می‌شود تا بتوانید بدون نیاز به پیش‌نیازهای پیچیده وارد دنیای Deep Learning شوید. این دوره مناسب چه کسانی است؟ این دوره برای: 🎯 دانشجویان و علاقه‌مندان هوش مصنوعی 🎯 برنامه‌نویسانی که می‌خواهند وارد حوزه Machine Learning و Deep Learning شوند 🎯 Data Scientistها و تحلیلگرانی که می‌خواهند مهارت‌های خود را ارتقا دهند 🎯 افرادی که قصد ساخت پروژه‌های واقعی AI دارند مناسب است. پیش‌نیازهای دوره برای شروع این دوره بهتر است با موارد زیر آشنایی اولیه داشته باشید: ✔ مفاهیم پایه برنامه‌نویسی ✔ آشنایی مقدماتی با Python ✔ آشنایی اولیه با ریاضیات پایه اما تمام مباحث مورد نیاز در طول دوره مرور و توضیح داده خواهد شد. اگر به دنبال یادگیری Deep Learning به صورت اصولی و پروژه‌محور هستید، این دوره می‌تواند مسیر شما را برای ورود به دنیای هوش مصنوعی هموار کند. 📌 برای مشاهده تمام جلسات این دوره، کانال Pista Academy را دنبال کنید. 🌐 وب‌سایت: https://pistaacademy.ir