مقدمه
هوش مصنوعی امروزه یکی از پر تقاضا ترین دوره های کامپیوتری است. یادگیری ماشین یکی از زیرشاخه های هوش مصنوعی و یادگیری عمیق یکی از زیر شاخه های یادگیری ماشین است. یادگیری عمیق امروزه یکی از مطرح ترین و پرتقاضا ترین حوزه ها در شرکت های مختلف و همچنین در محیط آکادمیک است. کسانی که به یادگیری عمیق و فریمورک های آن علاقه دارند قطعاً در آینده جزو متخصصانی هستند که در هر لحظه نیاز به حضورشان حس شده و در هر شرکتی توانایی استخدام دارند. فریمورک پایتورچ نیز یکی از همین فریمورک های یادگیری عمیق است که با پشتیبانی شرکت متا (فیسبوک) یکی از پرقدرت ترین فریمورک های این حوزه میباشد.
پیرامون دوره
این دوره را میتوان یکی از کامل ترین دوره های پایتورچ نامید که بعد از اتمام آن میتوان در حوزه های مختلفی مانند پردازش تصویر و یا متن کار کرد. در این دوره سعی شده است که از ابتدایی ترین موارد یعنی کار با Colab و Anaconda و نصب پکیج های پایتون تا موارد بسیار پیچیده تر مانند ساخت مدل های مختلف برای تشخیص برچسب داده های مختلف، یادگیری انتقالی و همچنین ساخت شبکه های ترجمه متن پوشش داده شود. در این دوره همچنین برخی موارد ابتدایی برای یادآوری توضیح داده شده و سعی شده مسائل ساده مانند رگرسیون خطی نیز با پایتورچ توضیح داده شود. محتویات این دوره کاملاً به روز بوده و برای ساخت آن ها از آخرین ورژن پایتورچ و دیگر کتابخانه ها، استفاده شده است. برای قسمت کد زنی در بخش های ابتدایی ممکن است مقداری برای شما پیچیده باشد اما مطمئناً با گذشت زمان و ساخت انواع پروژه های مختلف از صفر تا صد. تمام ابهامات شما رفع شده و مشکلی بابت این موضوع نخواهید داشت.
چارچوب قدرتمند PyTorch
PyTorch به دلیل انعطاف پذیری، سهولت استفاده و پشتیبانی داخلی برای سخت‌افزارهای بهینه شده مانند GPU، به سرعت به عنوان یک انتخاب محبوب برای ساخت مدلهای یادگیری عمیق در حال ظهور است. با استفاده از PyTorch، می‌توانید مدلهای یادگیری عمیق پیچیده بسازید، در حالی که هنوز از پشتیبانی بومی پایتون برای اشکال‌زدایی و تجسم استفاده می‌کنید. در این دوره، مبانی PyTorch، شما می‌توانید از پشتیبانی PyTorch برای نمودارهای محاسبات پویا بهره ببرید، و آن را با سایر پلت‌فرم‌های محبوب مانند TensorFlow مقایسه کنید. ابتدا، ساختارهای عصبی و شبکه‌های عصبی را یاد می‌گیرید، و می‌بینید که چگونه عملکردهای فعال سازی، تحولات وابسته و لایه‌ها در یک مدل یادگیری عمیق جمع می‌شوند. در مرحله بعد، شما چگونگی یادگیری چنین مدلی را کشف خواهید کرد، یعنی چگونه بهترین مقادیر پارامترهای مدل تخمین زده می‌شود. سپس خواهید دید که چگونه بهینه سازی نزولی شیب برای بهینه سازی این فرآیند به صورت هوشمند انجام می‌شود. انواع مختلفی از تمایز را که می‌تواند در این فرآیند استفاده شود، و نحوه استفاده PyTorch از Autograd برای اجرای خودکار تمایز در حالت معکوس را خواهید فهمید. شما با سازه‌های مختلف PyTorch مانند Tensors، Variables و Gradients کار خواهید کرد. سرانجام، چگونگی ساخت نمودار محاسبات پویا را در PyTorch یاد خواهید گرفت. دوره را با مقایسه اینها،با رویکردهای مورد استفاده در TensorFlow، یکی دیگر از پلت‌فرم‌های یادگیری عمیق برجسته که قبلاً فقط نمودارهای محاسبات ایستا را ارائه می داد، اما اخیراً پشتیبانی از نمودارهای محاسبات پویا را نیز اضافه کرده است، ادامه خواهید داد. پس از پایان این دوره، شما مهارت و دانش لازم را برای حرکت به سمت ساخت مدلهای یادگیری عمیق در PyTorch و بهره‌گیری از نمودارهای محاسبات پویا خواهید داشت.
چارچوب قدرتمند PyTorch در مقابل TensorFlow
قدرت TensorFlow بر کسی پوشیده نیست اما همانطور که مشاهده می فرمایید با استناد به سرویس Google Trends، چارچوب پایتورچ در چند سال گذشته در رقابت با تنسورفلو موفق بوده است و توانسته در ماه های اخیر محبوبیت بیشتری کسب کند.
چارچوب قدرتمند PyTorch در مقابل TensorFlow
همانطور که در بخش 2018 این شکل می‌بینید، استفاده از چارچوب پای تورچ مورد توجه عده قلیلی بوده است؛ اما در سال 2019 شرایط دیگری حاکم شده و محققان میزان استفاده از این چارچوب را افزایش داده‌اند.
چرا نیاز هست کار با چارچوب یادگیری عمیق پای تورچ را فرا بگیرم؟
- آسان نسبت به اغلب فریمورک ها
- تحلیل کد آن هم ساده
- قابلیت استفاده از چند GPU
- ماژولاریتی بالا
- انعطاف پذیری بالا
- پشتیبانی همزمان از چندین backend
- قابلیت ایجاد مدل های ترتیبی و تابعی
- دیتاست های آماده
- مدل های اماده زیاد
- اجرای همزمان روی چند GPU و چند سیستم
پیش نیاز شرکت در این دوره برای مخاطبین گرامی مدرسه علم داده چیست؟
- آشنایی با زبان برنامه نویسی پایتون
- آشنایی با مفاهیم یادگیری عمیق
شرکت کنندگان پس از شرکت در دوره به چه توانایی هایی دست پیدا خواهند کرد؟
- یادگیری بخش های مهم زبان برنامه نویسی پایتون.
- آشنایی با آرایه ها، ماتریس ها، پردازش داده ها و مباحث مهم ریاضیات
- درک و فهم داده ها، پردازش آن ها، پاک سازی و آماده سازی برای الگوریتم های یادگیری ماشین.
- بصری سازی هر نوع داده ای با هر نوع ابزار استانداری که در پایتون وجود دارد.
- شرکت کنندگان در این دوره بعد از انتهای دوره میتوانند با استفاده از پایتورچ مدل های یادگیری عمیق را پیاده سازی کنند.
- همچنین شرکت کنندگان در این دوره بعد از تمرین و تحقیق بیشتر میتوانند مسیر مورد نظر خود در یادگیری عمیق مانند پردازش تصویر یا پردازش متن را انتخاب و پیش ببرند
نام فصل های اصلی دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch) چیست؟
فصل اول
معرفی چارچوب پایتورچ
فصل دوم
یادگیری ماشین و یادگیری عمیق در پایتورچ
فصل سوم
شبکه عصبی پیچشی (Convolutional Neural Networks)
فصل چهارم
یادگیری انتقالی (Transfer Learning)
فصل پنجم
شبکه های عصبی بازگشتی (RNN)
فصل ششم
شبکه های مولد تخاصمی (GAN)
آشنایی با مدرس دوره
تحصیلات
کارشناسی ارشد مهندسی شبکه های کامپیوتری، دانشگاه صنعتی شریف، پردیس بین الملل کیش
کارشناسی مهندسی کامپیوتر، فناوری اطلاعات، دانشگاه آزاد تهران
علاقه مندی های تحقیقاتی
یادگیری ماشین، یادگیری عمیق، بینایی ماشین، پردازش زبان طبیعی، امنیت شبکه
سوابق تدریس
دستیار پژوهشی، آزمایشگاه شبکه، دانشگاه صنعتی شریف
دستیار پژوهشی، شبکه های کامپیوتری، دانشگاه صنعتی شریف
مهارت های نرم افزاری
Python – Matlab (Elementary level) – C# (elementary level) – SQL(elementary level)
Pytorch – Pandas – Numpy – Biopython – Matplotlib – Keras
GANs – VAEs – Seq2seq Model – Text Generation – Text Classification – CNN Image Classification
Cisco Packet tracer – LATEX – WireShark – Proteus
قطعه کدهای دوره
دانلود قطعه کدهای دوره
ZIP
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، آشنایی با دوره - مفاهیم یادگیری عمیق - آموزش نصب پای تورچ ویدئو
10:48
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، ادامه نصب پای تورچ و اجرای تست در محیط Local و Google Colab ویدئو
25:16
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، دستورات ابتدایی پایتورچ ویدئو
30:45
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، وارد کردن دیتاست ها و لایه های عصبی در پایتورچ ویدئو
9:33
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، مفاهیم کلیدی یادگیری ماشین ویدئو
10:08
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، شبکه های عصبی Fully connected در پای تورچ ویدئو
20:51
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، تابع فعال سازی و تابع هزینه، Active Function, Lost Function ویدئو
17:50
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، گرادیان کاهشی در پایتورچ (Random Gradient Descent) ویدئو
26:08
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، بهینه سازی RMsprop و Adam در پای تورچ ویدئو
26:08
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، آشنایی با دوره - Underfit, Overfit, Validation در پای تورچ ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، آشنایی با دوره - گراف محاسباتی در پای تورچ ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، آشنایی با دوره - پیاده سازی رگرسیون خطی در پای تورچ، قسمت اول ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، آشنایی با دوره - پیاده سازی رگرسیون خطی در پای تورچ، قسمت دوم ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، آشنایی با دوره - Logistic Regression در پای تورچ، قسمت اول ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، آشنایی با دوره - Logistic Regression در پای تورچ، قسمت دوم ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، شبکه عصبی پیچشی (Convolutional Neural Networks) در پای تورچ ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، تشخیص برچسب تصویر با شبکه های عصبی پیچشی 1 ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، تشخیص برچسب تصویر با شبکه های عصبی پیچشی 2 ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، تشخیص برچسب تصویر با شبکه های عصبی پیچشی 3 ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، تشخیص برچسب تصویر با شبکه های عصبی پیچشی 4 ویدئو
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، قسمت پایانی بخش اول
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، تشخیص برچسب با شبکه های عصبی پیچشی 5 ویدئو
43:27
یادگیری انتقالی، قسمت اول
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، یادگیری انتقالی (Transfer Learning)، 1 ویدئو
21:19
یادگیری انتقالی، قسمت دوم
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، یادگیری انتقالی (Transfer Learning)، 2 ویدئو
24:44
یادگیری انتقالی، قسمت سوم
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، یادگیری انتقالی (Transfer Learning)، 3 ویدئو
40:05
یادگیری انتقالی، قسمت چهارم
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، یادگیری انتقالی (Transfer Learning)، 4 ویدئو
29:29
بخش شبکه های RNN، شبکه های عصبی بازگشتی
شبکه های RNN یا عصبی بازگشتی، قسمت اول ویدئو
30:07
بخش شبکه های RNN، شبکه های عصبی بازگشتی
شبکه های RNN یا عصبی بازگشتی، قسمت دوم ویدئو
36:21
بخش شبکه های RNN، شبکه های عصبی بازگشتی
شبکه های RNN یا عصبی بازگشتی، قسمت سوم ویدئو
28:55
بخش شبکه های RNN، شبکه های عصبی بازگشتی
شبکه های RNN یا عصبی بازگشتی، قسمت چهارم ویدئو
31:35
بخش شبکه های RNN، شبکه های عصبی بازگشتی
شبکه های RNN یا عصبی بازگشتی، قسمت پنجم ویدئو
28:07
بخش شبکه های RNN، شبکه های عصبی بازگشتی
شبکه های RNN یا عصبی بازگشتی، قسمت ششم ویدئو
23:21
بخش شبکه های GAN، شبکه های مولد تخاصمی
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، شبکه های مولد متخاصم (GAN)، قسمت 1 ویدئو
18:36
بخش شبکه های GAN، شبکه های مولد تخاصمی
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، شبکه های مولد متخاصم (GAN)، قسمت 2 ویدئو
44:23
بخش شبکه های GAN، شبکه های مولد تخاصمی
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)، شبکه های مولد متخاصم (GAN)، قسمت 3 ویدئو
31:21
دوره های مرتبط
کارگاه آموزشی پروژه محور تحلیل و تصویرسازی داده در R
کارگاه آموزشی پروژه محور شبکه های مولد تخاصمی (GAN)
دوره آموزشی تحلیل داده ها در پایتون با Pandas
دوره آموزشی طراحی و پیاده سازی سیستم های توصیه گر با پایتون
آزمون‌های آماری کلیدی برای یک مهندس یادگیری ماشین
این دوره به معرفی و آموزش آزمون‌های آماری که یک مهندس یادگیری ماشین یا یک دیتاساینتیست به آن احتیاج دارد، می‌پردازد. در این دوره دانشجویان با 5 مدل آزمون آماری آشنا می‌شوند که شامل آزمون‌های نرمالیتی، همبستگی، ایستایی، پارامتری و ناپارامتری میباشد. مباحث به زبان ساده و کاربردی بیان شده‌اند و فقط آشنایی مقدماتی با مفاهیم آماری برای درک مباحث این دوره کافی میباشد. در این دوره علاوه بر بیان مفاهیم و کاربردهای هر آزمون فرض آماری، تمامی آزمون‌ها در محیط پایتون نیز اجرا می‌شوند.
کارگاه آموزشی Apache Spark برای تحلیل داده ها
دوره آموزشی تصویرسازی داده ها در پایتون با Matplotlib
امتیاز دانشجویان دوره
نظرات
تنها اشخاصی که این محصول را خریداری کرده اند و وارد سایت شده اند می توانند در مورد این محصول بازبینی ارسال کنند.
199,000 تومان
مهندس خشایار احتشامی
ارشد مهندسی کامپیوتر، صنعتی شریفپژوهشگر یادگیری عمیق، ارشد مهندسی کامپیوتر، صنعتی شریف
حنانه( دانشجوی دوره )
ممنون میشم فایل پاورپوینت دوره رو هم در سایت قرار دهید .
مهناز( دانشجوی دوره )
دوره نسبتا خوبی بود. منتظر سطح پیشرفته اش هستیم.
شهناز حسین‌زاده( دانشجوی دوره )
سلام
امکانش هست کدهای مربوط به شبکه های RNN رو بزارید.
محمد حیدری(مدیریت)
کدها رو می تونید از بخش قطعه کدهای دوره دانلود بفرمایید. با مدرس دوره نیز می تونید از طریق ایمیل در ارتباط باشید.
الهه احمدی( دانشجوی دوره )
از نقاط قوت دوره میشه به تمرین ها و پروژه محور بودنش اشاره کرد. مباحث نو و به روز پیرامون دیپ لرنینگ با پایتورچ مطرح شد.
مهران عبدولی( دانشجوی دوره )
بروزترین دوره حال حاضر پایتورچ به زبان فارسی رو مشاهده کردم. با تشکر از مدرس دوره