از Pista Academy حمایت کنید
خلاصه آموزشی
مرور سریع مفاهیم اصلی پیش از تماشای کامل یا برای جمع‌بندی بعد از آموزش.
در این جلسه اول دوره جامع یادگیری عمیق، مدرس با ارائه مقدمه‌ای کلی به دوره، به مفاهیم پایه یادگیری عمیق و مباحث اصلی آن اشاره می‌کند. این دوره شامل مفاهیم شبکه‌های عصبی، CNN، RNN، و مباحث مرتبط با هوش مصنوعی مانند اخلاق در دیپ لرنینگ است. مدرس همچنین از دانشجویان خواهش می‌کند که ویدیو را لایک کنند، کامنت بزنند و به دوستان خود معرفی کنند.
نکات کلیدی
دوره جامع یادگیری عمیق شامل مفاهیم پایه، شبکه‌های عصبی، CNN، RNN، و مباحث مرتبط با هوش مصنوعی است.
مدرس از دانشجویان خواهش می‌کند که ویدیو را لایک کنند، کامنت بزنند و به دوستان خود معرفی کنند.
مباحث اصلی دوره شامل مفاهیم پایه یادگیری عمیق و تکنیک‌های مختلف شبکه‌های عصبی مانند CNN و RNN است.
مدرس به مفاهیم اخلاقی در دیپ لرنینگ نیز اشاره کرده است.
پرسش‌های رایج
پاسخ کوتاه و مستقیم به پرسش‌هایی که معمولاً هنگام یادگیری این موضوع مطرح می‌شوند.
این دوره شامل مفاهیم پایه یادگیری عمیق، شبکه‌های عصبی، CNN، RNN، و مباحث مرتبط با هوش مصنوعی مانند اخلاق در دیپ لرنینگ است.
مدرس از دانشجویان خواهش می‌کند که ویدیو را لایک کنند، کامنت بزنند و به دوستان خود معرفی کنند.
در این جلسه مقدمه‌ای بر دوره جامع یادگیری عمیق ارائه شده است و به مفاهیم پایه، شبکه‌های عصبی، CNN، RNN، و مباحث مرتبط با هوش مصنوعی اشاره شده است.
آخرین به‌روزرسانی محتوای متنی:
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
من تو یه دوره دیگهای که توی کانالمون بود
مبحث دیپ لرنینگ و شبکه‌های عصبی رو تا یه
جایی گفتم برای همین تصمیم گرفتم که یک
دوره مجزا هم براش بسازم خب و یه ذره
عمیق‌تر بشیم اونجا.
برای دوستانی که میخوان خیلی تخصصی وارد
حوزه ماشین درق هوش مصنوعی بشن به نظر من
لازمه که مفاهیم دیپلینگو یاد بگیرن.
ما یه روت مپی رو نوشتیم
طبق اون روت مپ میخوایم بریم جلو و یاد
بگیریم که چهجوری وارد حوزه گوش مصنفی
بشیم و متخصص بشیم توش.
یه پادکستی هم الان تو کانالمون هست. قسمت
سوم پادکسته که در حقیقت مسیر تبدیل شدن
به یک متخصص هوش مصنوعی رو تو اون پادکست
کامل توضیح دادم و تکتک د چیزایی که تو
اون پادکست گفته شده مسیرها رو قراره
دورهشو ما ضبط بکنیم تا الان ۴ تا مرحلهشو
دورهشو شروع کردیم و انشاالله بقیه رو هم
به مرور ضبط خواهیم کرد امروز فقط خواهشی
که دارم اینه که برای اینکه یه حمایتی از
ما بشه و
یه دلگرمی برای ما باشه ویدیوهامون رو
لایک لایک کنید، کامنت بذارید به دوستاتون
معرفی بکنید و سابسکرایبم یادتون نره. خب
بریم اول تو این جلسه سرفصلای چیزایی که
قراره تو این دوره راجع بهش صحبت کنیم من
یه بار لیست وار بهتون بگم و بعد جلسه
بعدی بیایم شروع بکنیم.
خب
ما توی سرفصلامون یکی مبحث
مفاهیم یادگیری عمیقو داریم کانسپت رو
داریم خب که در حقیقت تو این دوره میایم
مفاهیم مثلاً مقایسه می‌کنیم دیپ لرنینگ
با ماشین لرنینگ و ساختار کلی شبکه‌ها
عصبی
یه مقدار راجع به پایتون صحبت می‌کنیم ولی
شاید همین قسمتو من اسکیپ بکنم چون
طبیعتاً احتضار دارم که همه دوستانی که
این دوره رو می‌بینن پایتونو تا یه حدی
بلد باشن احتمالاً این دوره رو این قسمتو
من رد می‌کنم. بعد با نامپای و پایتورچ
آشناتون می‌کنم. یه کوچولو با ریاضیات
آشناتون می‌کنم راجع بهش صحبت می‌کنم. بعد
مفهوم گریدینت دیسنت گرینتو راجع بهش صحبت
می‌کنم یه گرادین نزولی
که میگه که شبکه‌ها یه سری باستون میان
خطای خودشونو کم می‌کنن. کاربردش اینه.
بعد شبکه‌های عصبی رو راجع بهش صحبت
می‌کنیم.
بعد مفهوم اورفیتینگ و کراس ولیدیشن رو
صحبت می‌کنیم.
چرا یه مدل ممکنه رو داده آموزشی خوب کار
بکنه اما می‌رسه به دیتای تست ضعیف عمل
بکنه که این د تا اینجا به ما کمک می‌کنن.
بحث رگولاریزیشنو صحبت می‌کنیم.
بعد بحث اکتیویشن ان اپتیمایزر ها یا
فراپارامترها فارسیش میشه. راجع بهش صحبت
می‌کنیم؟
دقت با تنظیماتی که رفتارهای شبکه عصبی رو
کنترل می‌کنه آشنا میشیم. انجام توابع
فعال‌سازی مانند این و این و
اپتیمایزرهایی مانند این حالا برسیم بهشون
بهتون میگم اینا چین تو اون دوره‌ایه که
برای ماشین لرنینگ و دیپلینگ و شبکه‌های
عصبی ضبط کردن من اینا رو اونجا گفتم ولی
خب میخواد تصمیم گرفته یک دوره مجزا هم
براش داشته باشیم
بعد
یه مقدار با بحث دیتا داده‌ها آشنا بشیم
شبکه‌های پیشخوررو جا انداختم فید فورد
نتورکها رو باهاش آشنا میشیم
نحوه اندازه‌گیری یا اندازه‌گیری عملکرد
یک مدل رو راجع بهش صحبت می‌کنیم. پارامتر
روش‌هایی مثل اف و ریکارد پریسیشن اکیویسی
و الی آخر
یه سری پروژه‌های عملی با اف ان خواهیم
داشت.
بحث اتو انکودرها رو یاد می‌گیریم.
دیگه کانولوشن و ترنسفورمرها رو یاد می‌گیریم.
یه مبحث بسیار مهم ترنسفورمرها بچه‌ها
شبکه‌های سی ان انو چهجوری طراحی بکنیم؟
کامش کنار نورا نتورکه مخففش
ببخشید سی ان مخفف اینه
برای مسائل پرش تصویر و تشخیص اشیا
استفاده میشه پروژه‌های سی انو انجام
میدیم بعد ترنسفر لرنینگو راجع بهش صحبت
خواهیم کرد
آها یاد می‌گیریم چهجوری از مدل‌هایی که از قبل آموزش دیدم مثل رسنت استفاده کنیم
و برای مسائل و داده‌های خودمون شخصی
سازیش بکنیم اینو قراره یاد بگیریم.
بعد استایل ترنسفر راجع بهش صحبت می‌کنیم و مبحث بعدیمون هم جنریتیو ادورس ادورس
سریال نتورکه.
با ساختار جی ان آشنا میشیم. شبکه‌های اسبی بازگشتی راجع بهش صحبت
می‌کنیم و مبحث آخرمونم بحث اخلاق در
دیپلینگه. یه ذره میخوایم وارد مباحث
اخلاق هم بشیم.
اینم مسیر کلی دورهمون خواهد بود بچه‌ها.
اول یه ذره پایتون ریاضیات، پایتون،
شبکه‌ها عصبی، اف و الی آخر همینجا به
ترتیب میایم جلو. خب بعد یه نکته باز بم
بگم بچه‌ها دیپ لرنینگ مباحث پایه هوش
مصنوعیه. واقعاً اگه قراره وارد حوزه هوش
مصنوعی بشید و متخصص بشید و بفهمید این
حوزه رو باید این مباحثو بلد باشید و آشنا
باشید باهاش.
باز خواهش می‌کنم ویدیومو لایک کنید،
کامنت بذارید، سابسکرایب بکنید و به بقیه
هم حتما معرفی بکنید که یه حمایتی از ما
بشه. بریم بیایم جلسه بعدی شروع می‌کنیم.
فعلاً خداحافظ.
