×
ribbon

دوره جامع پایتورچ (PyTorch) برای یادگیری عمیق

مدرس:Udemy

Daniel Bourke

PyTorch یاد بگیر. مهندس دیپ لرنینگ شو. استخدام شو.

جدید
زیرنویس
46دانشجو
51ساعت
سرفصل‌ها
مقدماتی تا پیشرفته سطح دوره
بروزرسانیآبان ۱۴۰۵
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

همه‌چیز از شروع کار با PyTorch تا ساخت مدل‌های کاربردی و واقعی.

درک نحوه ادغام یادگیری عمیق (Deep Learning) در ابزارها و اپلیکیشن‌ها.

ساخت، آموزش و استقرار (Deploy) شبکه‌های عصبی اختصاصی با پایتورچ و در دسترس قرار دادن آن‌ها برای عموم.

تسلط بر یادگیری عمیق برای تبدیل شدن به کاندیدای برتر استخدام با پتانسیل درآمد بالای 100,000 دلار در سال.

این دوره شامل:

51 ساعت ویدئو

1 جلسه متنی

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

13 فصل346 جلسه51 ساعت ویدیو
مقدمه
  1. دوره جامع یادگیری عمیق با پای‌تورچ از صفر تا تسلط
03:33
  2. خوش‌آمدگویی دوره و یادگیری عمیق چیست؟
05:53
  4. کتاب همراه دوره + کدها + منابع بیشتر
00:23
بخش 0: مبانی PyTorch
  1. چرا از یادگیری ماشین یا یادگیری عمیق استفاده می‌کنیم؟
03:33
  2. قانون اول یادگیری ماشین و کاربردهای یادگیری عمیق
05:39
  3. تفاوت یادگیری ماشین و یادگیری عمیق
06:06
  4. آناتومی شبکه‌های عصبی
09:21
  5. انواع الگوهای یادگیری
04:30
  6. یادگیری عمیق برای چه کارهایی استفاده می‌شود؟
06:21
  7. PyTorch چیست و چرا از آن استفاده می‌کنیم؟
10:12
  8. تانسورها (Tensors) چه هستند؟
04:15
  9. در این دوره با PyTorch چه مباحثی را پوشش خواهیم داد؟
06:05
  10. روش صحیح و نادرست برای یادگیری این دوره
05:09
  11. منابع مهم برای این دوره
05:21
  12. آماده‌سازی محیط برای کدنویسی در PyTorch
07:39
  13. مقدمه‌ای بر تانسورهای PyTorch
13:25
  14. ایجاد تانسورهای تصادفی در PyTorch
09:58
  15. ایجاد تانسورهای شامل صفر و یک در PyTorch
03:08
  16. ایجاد بازه‌ای از تانسورها و تانسورهایی مشابه دیگر تانسورها
05:17
  17. کار با انواع داده در تانسورها
09:24
  18. دریافت ویژگی‌های تانسورها
08:22
  19. دستکاری تانسورها (عملیات‌های تانسوری)
05:59
  20. ضرب ماتریسی (بخش اول)
09:34
  21. ضرب ماتریسی (بخش دوم): دو قانون اصلی ضرب ماتریس
07:51
  22. ضرب ماتریسی (بخش سوم): رفع خطاهای ابعاد تانسور
12:57
  23. یافتن حداقل، حداکثر، میانگین و مجموع تانسورها (تجمع تانسوری)
06:09
  24. یافتن اندیس حداقل و حداکثر در تانسورها
03:16
  25. تغییر شکل، مشاهده و انباشتن (Stacking) تانسورها
13:40
  26. فشرده‌سازی، بازکردن و جابجایی ابعاد (Permute) تانسورها
11:55
  27. انتخاب داده از تانسورها (اندیس‌گذاری)
09:31
  28. تانسورهای PyTorch و کتابخانه NumPy
09:08
  29. تکرارپذیری در PyTorch (حذف تصادف از اعداد تصادفی)
10:46
  30. روش‌های مختلف دسترسی به GPU در PyTorch
11:50
  31. تنظیم کد مستقل از دستگاه و انتقال تانسورها به GPU و بالعکس
07:43
  32. تمرینات مبانی PyTorch و منابع تکمیلی
04:49
بخش 1: جریان کاری در PyTorch
  مقدمه و نحوه دریافت راهنمایی
02:45
  آماده‌سازی محیط و بررسی سرفصل‌ها
07:14
  ایجاد یک دیتاست ساده با استفاده از فرمول رگرسیون خطی
09:41
  تقسیم داده‌ها به مجموعه‌های آموزش و تست
08:20
  ساخت تابع برای مصورسازی داده‌ها
07:45
  ایجاد اولین مدل PyTorch برای رگرسیون خطی
14:09
  بررسی جزئیات عملکرد مدل رگرسیون خطی در PyTorch
06:10
  بررسی مهم‌ترین کلاس‌های ساخت مدل در PyTorch
06:26
  بررسی ساختار داخلی مدل PyTorch
09:50
  پیش‌بینی با استفاده از مدل تصادفی و حالت Inference
11:12
  شهود آموزش مدل (موارد مورد نیاز)
08:14
  تنظیم بهینه‌ساز (Optimizer) و تابع هزینه (Loss Function)
12:51
  مراحل و شهود حلقه آموزش در PyTorch
13:53
  کدنویسی حلقه آموزش در PyTorch
08:46
  مرور مرحله‌به‌مرحله گام‌های حلقه آموزش
14:57
  اجرای حلقه آموزش به صورت Epoch به Epoch و بررسی نتایج
09:25
  کدنویسی حلقه تست و بررسی مرحله‌به‌مرحله آن
11:37
  مرور مرحله‌به‌مرحله اتفاقات در حلقه تست
14:42
  کدنویسی برای ذخیره مدل PyTorch
13:45
  کدنویسی برای بارگذاری مدل PyTorch
08:44
  آماده‌سازی برای تمرین آموخته‌ها با استفاده از کد Device-Agnostic
06:02
  جمع‌بندی نهایی (بخش 1) داده‌ها
06:08
  جمع‌بندی نهایی (بخش 2) ساخت مدل
10:07
  جمع‌بندی نهایی (بخش 3) آموزش مدل
12:40
  جمع‌بندی نهایی (بخش 4) پیش‌بینی با مدل آموزش‌دیده
05:17
  جمع‌بندی نهایی (بخش 5) ذخیره و بارگذاری مدل آموزش‌دیده
09:10
  تمرین‌های جریان کاری PyTorch و مطالب تکمیلی
03:57
بخش 2: دسته‌بندی در شبکه‌های عصبی با PyTorch
  مقدمه‌ای بر دسته‌بندی در یادگیری ماشین با PyTorch
09:41
  اشکال ورودی و خروجی در مسائل دسته‌بندی
09:07
  معماری معمول یک شبکه عصبی برای دسته‌بندی (مرور کلی)
06:31
  ایجاد یک مجموعه داده نمونه (Toy Dataset) برای دسته‌بندی
12:18
  تبدیل داده‌ها به تنسور و تقسیم‌بندی آن‌ها برای آموزش و تست
11:55
  مراحل مدل‌سازی و پیاده‌سازی کد مستقل از سخت‌افزار (Device-Agnostic)
04:19
  کدنویسی یک شبکه عصبی کوچک برای پردازش داده‌های دسته‌بندی
10:57
  تجسم ساختار شبکه عصبی
06:57
  بازسازی و بررسی اجزای مدل با استفاده از nn.Sequential
13:17
  تبدیل Logits مدل به احتمالات پیش‌بینی و برچسب‌های نهایی
16:07
  کدنویسی حلقه آموزش و بهینه‌سازی مدل دسته‌بندی
15:26
  نوشتن کد برای دریافت تابع کمکی جهت تجسم پیش‌بینی‌های مدل
14:13
  بررسی روش‌های بهبود عملکرد مدل
08:02
  ایجاد یک مدل جدید با لایه‌ها و واحدهای پنهان بیشتر
09:06
  نوشتن کد آموزش و تست برای ارزیابی عملکرد مدل ارتقایافته
12:45
  ایجاد مجموعه داده خطی برای بررسی یادگیری مدل
08:07
  ساخت و آموزش مدل برای برازش بر روی داده‌های خطی
10:01
  ارزیابی پیش‌بینی‌های مدل روی داده‌های خطی
05:23
  معرفی بخش گمشده در مدل‌های دسته‌بندی: غیرخطی بودن (Non-Linearity)
10:00
  ساخت اولین شبکه عصبی با ویژگی غیرخطی بودن
10:25
  نوشتن کد آموزش و تست برای اولین مدل غیرخطی
15:12
  انجام پیش‌بینی و ارزیابی اولین مدل غیرخطی
05:47
  شبیه‌سازی توابع فعال‌ساز غیرخطی با استفاده از PyTorch خالص
09:34
  جمع‌بندی (بخش اول): ساخت مجموعه داده چندکلاسه
11:24
  ایجاد یک مدل دسته‌بندی چندکلاسه با PyTorch
12:27
  تنظیم تابع زیان و بهینه‌ساز برای مدل چندکلاسه
06:40
  آموزش مدل دسته‌بندی چندکلاسه و رفع اشکالات کد در لحظه
16:17
  انجام پیش‌بینی و ارزیابی مدل دسته‌بندی چندکلاسه
07:59
  بررسی معیارهای بیشتر برای ارزیابی دسته‌بندی
09:17
  تمرینات دسته‌بندی در PyTorch و منابع تکمیلی
02:58
بخش 3: بینایی ماشین با پای‌تورچ (PyTorch)
  1. مسئله بینایی ماشین چیست و چه مباحثی را پوشش خواهیم داد
11:47
  2. ابعاد ورودی و خروجی در بینایی ماشین
10:08
  3. شبکه عصبی کانولوشنی (CNN) چیست
05:02
  4. بررسی و فراخوانی کتابخانه‌های پایه بینایی ماشین در پای‌تورچ
09:19
  5. دریافت مجموعه داده بینایی ماشین و بررسی ابعاد ورودی و خروجی آن
14:30
  6. مصورسازی نمونه‌های تصادفی از داده‌ها
09:51
  7. مروری بر DataLoader و درک مفهوم مینی‌بچ (Mini-Batch)
07:17
  8. تبدیل مجموعه داده‌ها به DataLoader
12:23
  9. مدل صفر: ایجاد یک مدل پایه با دو لایه خطی (Linear Layer)
14:38
  10. ایجاد تابع هزینه (Loss Function) و بهینه‌ساز برای مدل صفر
10:29
  11. ایجاد تابعی برای زمان‌بندی کد مدل‌سازی
05:34
  12. نوشتن حلقه‌های آموزش و تست برای داده‌های دسته‌بندی شده
21:25
  13. نوشتن یک تابع ارزیابی برای دریافت نتایج مدل
12:58
  14. تنظیم کد Device-Agnostic برای اجرای آزمایش‌ها روی GPU
03:46
  15. مدل یک: ایجاد یک مدل با توابع غیرخطی
09:03
  16. مدل یک: ایجاد تابع هزینه و بهینه‌ساز
03:04
  17. تبدیل حلقه آموزش به یک تابع
08:28
  18. تبدیل حلقه تست به یک تابع
06:35
  19. آموزش و تست مدل یک با استفاده از توابع آموزش و تست
11:52
  20. دریافت دیکشنری نتایج برای مدل یک
04:08
  21. مدل دو: نمای کلی از شبکه‌های عصبی کانولوشنی (CNN)
08:24
  22. مدل دو: کدنویسی اولین شبکه عصبی کانولوشنی با پای‌تورچ
19:48
  23. مدل دو: بررسی گام‌به‌گام لایه Conv2D
14:59
  24. مدل دو: بررسی گام‌به‌گام لایه MaxPool2D
15:48
  25. مدل دو: استفاده از ترفندی برای یافتن ابعاد ورودی و خروجی لایه‌ها
13:45
  26. مدل دو: تنظیم تابع هزینه و بهینه‌ساز
02:38
  27. مدل دو: آموزش اولین شبکه CNN و ارزیابی نتایج آن
07:54
  28. مقایسه نتایج آزمایش‌های مدل‌سازی
07:23
  29. پیش‌بینی روی نمونه‌های تست تصادفی با بهترین مدل آموزش‌دیده
11:39
  30. رسم پیش‌بینی‌های بهترین مدل روی نمونه‌های تست تصادفی و ارزیابی آن‌ها
08:10
  31. انجام پیش‌بینی‌ها روی کل مجموعه داده تست و وارد کردن کتابخانه‌ها برای رسم ماتریس درهم‌ریختگی
15:20
  32. ارزیابی پیش‌بینی‌های بهترین مدل با استفاده از ماتریس اغتشاش
06:54
  33. ذخیره‌سازی و بارگذاری بهترین مدل عملکردی
11:27
  34. جمع‌بندی مباحث، تمرین‌ها و منابع تکمیلی
06:01
بخش 4: مجموعه داده‌های سفارشی در PyTorch
  مجموعه داده سفارشی چیست و چه چیزی را بررسی خواهیم کرد
09:53
  وارد کردن PyTorch و تنظیم کد Device-Agnostic
05:54
  دانلود یک مجموعه داده سفارشی از تصاویر پیتزا، استیک و سوشی
14:04
  آشنایی با داده‌ها (بخش 1): بررسی فرمت داده‌ها
08:41
  آشنایی با داده‌ها (بخش 2): نمایش یک تصویر تصادفی
11:40
  آشنایی با داده‌ها (بخش 3): نمایش یک تصویر تصادفی با استفاده از Matplotlib
04:47
  تبدیل داده‌ها (بخش 1): تبدیل تصاویر به تنسور
08:53
  تبدیل داده‌ها (بخش 2): نمایش تصاویر تبدیل شده
11:30
  بارگذاری تصاویر و تبدیل آن‌ها به تنسور با استفاده از ImageFolder
09:18
  نمایش یک تصویر بارگذاری شده از مجموعه داده آموزشی
07:18
  تبدیل مجموعه داده‌های تصویری به DataLoader در PyTorch
09:03
  ایجاد کلاس مجموعه داده سفارشی در PyTorch: نگاهی کلی
08:00
  ایجاد یک تابع کمکی برای دریافت نام کلاس‌ها از یک دایرکتوری
09:06
  نوشتن کلاس مجموعه داده سفارشی PyTorch از صفر برای بارگذاری تصاویر
17:46
  مقایسه کلاس مجموعه داده سفارشی با کلاس اصلی ImageFolder
07:13
  نوشتن یک تابع کمکی برای نمایش تصاویر تصادفی از مجموعه داده سفارشی
14:18
  تبدیل مجموعه داده‌های سفارشی به DataLoader
06:59
  بررسی پیشرفته‌ترین روش‌های افزایش داده با استفاده از Torchvision Transforms
14:23
  ساخت مدل پایه (بخش 1): بارگذاری و تبدیل داده‌ها
08:15
  ساخت مدل پایه (بخش 2): پیاده‌سازی مدل TinyVGG از صفر
11:24
  ساخت مدل پایه (بخش 3): انجام یک Forward Pass برای تست ابعاد مدل
08:09
  استفاده از پکیج Torchinfo برای دریافت خلاصه مدل
06:38
  ایجاد توابع حلقه آموزش و تست
13:03
  ایجاد یک تابع Train برای آموزش و ارزیابی مدل‌ها
10:14
  آموزش و ارزیابی مدل 0 با استفاده از توابع آموزشی
09:53
  رسم نمودارهای خطا (Loss Curves) مدل 0
09:02
  بحث در مورد تعادل بین بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) و نحوه مدیریت آن‌ها
14:13
  ایجاد مجموعه داده‌های آموزشی تقویت‌شده و DataLoaderها برای مدل 1
11:03
  ساخت و آموزش مدل 1
07:10
  رسم نمودارهای خطا (Loss Curves) مدل 1
03:22
  مقایسه نمودارهای خطا (Loss Curves) تمامی مدل‌ها با یکدیگر
10:55
  پیش‌بینی روی داده‌های سفارشی (بخش 1): دانلود تصویر
05:32
  پیش‌بینی روی داده‌های سفارشی (بخش 2): بارگذاری تصویر سفارشی با PyTorch
07:00
  پیش‌بینی روی داده‌های سفارشی (بخش 3): آماده‌سازی فرمت تصویر سفارشی
14:07
  پیش‌بینی روی داده‌های سفارشی (بخش 4): تبدیل خروجی‌های خام مدل به برچسب‌های پیش‌بینی
04:24
  پیش‌بینی روی داده‌های سفارشی (بخش 5): جمع‌بندی نهایی
12:47
  خلاصه مباحث پوشش داده شده، تمرین‌ها و منابع تکمیلی
06:04
  تمرین: سندرم ایمپاستر (Imposter Syndrome)
02:56
بخش 5: ماژولار کردن کدها در PyTorch
  ماژولار کردن چیست و چه مباحثی را پوشش خواهیم داد
11:34
  نوت‌بوک ماژولار کردن (بخش اول): اجرای کامل از ابتدا تا انتها
07:40
  دانلود کردن مجموعه داده (Dataset)
04:50
  نوشتن ساختار کلی اولین اسکریپت پایتون برای آماده‌سازی داده‌ها
13:50
  ایجاد اسکریپت پایتون برای ساخت DataLoaderهای PyTorch
10:35
  تبدیل کد ساخت مدل به یک اسکریپت پایتون
09:18
  تبدیل کد آموزش مدل به یک اسکریپت پایتون
06:16
  تبدیل تابع کاربردی ذخیره‌سازی مدل به یک اسکریپت پایتون
06:07
  ایجاد اسکریپت آموزش برای تعلیم مدل با یک خط کد
15:46
  جمع‌بندی ماژولار کردن، تمرین‌ها و منابع تکمیلی
05:59
بخش 6: یادگیری انتقالی در PyTorch
  مقدمه: یادگیری انتقالی چیست و چرا از آن استفاده می‌کنیم؟
10:05
  مدل‌های پیش‌آموزش‌دیده را کجا پیدا کنیم و در این بخش چه خواهیم آموخت؟
05:12
  نصب آخرین نسخه‌های Torch و Torchvision
08:05
  دریافت کدهای قبلی از بخش Going Modular
06:41
  دانلود داده‌های تصویری پیتزا، استیک و سوشی از گیت‌هاب
08:00
  تبدیل داده‌ها به DataLoader با استفاده از تبدیل‌های (Transforms) دستی
14:40
  تبدیل داده‌ها به DataLoader با استفاده از تبدیل‌های خودکار
13:06
  از کدام مدل پیش‌آموزش‌دیده استفاده کنیم؟
12:15
  راه‌اندازی یک مدل پیش‌آموزش‌دیده با استفاده از Torchvision
10:56
  انواع مختلف یادگیری انتقالی
07:11
  مشاهده خلاصه‌ای از لایه‌های مختلف مدل
06:49
  فریز کردن لایه‌های پایه مدل و به‌روزرسانی Classifier Head
13:26
  آموزش اولین مدل استخراج ویژگی (Feature Extractor) با یادگیری انتقالی
07:54
  رسم نمودارهای تابع هزینه (Loss Curves) برای مدل یادگیری انتقالی
06:26
  طرح کلی مراحل پیش‌بینی روی تصاویر تست
07:57
  ایجاد تابعی برای پیش‌بینی و نمایش تصاویر
10:00
  انجام و رسم پیش‌بینی‌ها روی تصاویر تست
07:23
  انجام پیش‌بینی روی یک تصویر دلخواه
06:21
  نکات کلیدی، تمرین‌ها و منابع تکمیلی
03:21
بخش 7: ردیابی آزمایش‌ها در PyTorch
  1. ردیابی آزمایش چیست و چرا باید آزمایش‌ها را ردیابی کنیم؟
07:06
  2. راه‌اندازی با وارد کردن کتابخانه‌های Torch و کدنویسی ماژولار
08:13
  3. ایجاد یک تابع برای دانلود داده‌ها
10:23
  4. تبدیل داده‌ها به DataLoader با استفاده از تبدیل‌های (Transform) دستی
08:30
  5. تبدیل داده‌ها به DataLoader با استفاده از تبدیل‌های خودکار
07:47
  6. آماده‌سازی یک مدل پیش‌آموزش‌دیده برای مسئله اختصاصی
10:28
  7. تنظیم روشی برای ردیابی یک آزمایش مدل تکی با TensorBoard
13:35
  8. آموزش یک مدل واحد و ذخیره نتایج در TensorBoard
04:38
  9. بررسی نتایج مدل تکی با استفاده از TensorBoard
10:17
  10. ایجاد تابعی برای ساخت نمونه‌های SummaryWriter
10:44
  11. تطبیق تابع آموزش برای قابلیت ردیابی آزمایش‌های چندگانه
04:57
  12. چه آزمایش‌هایی را باید امتحان کنید؟
05:59
  13. بحث در مورد آزمایش‌هایی که قصد انجام آن‌ها را داریم
06:01
  14. دانلود مجموعه‌داده‌ها برای آزمایش‌های مدل‌سازی
06:31
  15. تبدیل مجموعه‌داده‌ها به DataLoader برای آماده‌سازی جهت آزمایش
08:28
  16. ایجاد توابعی برای آماده‌سازی مدل‌های استخراج ویژگی (Feature Extractor)
15:54
  17. کدنویسی مراحل اجرای مجموعه‌ای از آزمایش‌های مدل‌سازی
14:27
  18. اجرای هشت آزمایش مدل‌سازی مختلف در 5 دقیقه
03:50
  19. مشاهده آزمایش‌های مدل‌سازی در TensorBoard
13:38
  20. بارگذاری بهترین مدل و پیش‌بینی روی تصاویر تصادفی از مجموعه تست
10:32
  21. انجام پیش‌بینی روی تصویر سفارشی با استفاده از بهترین مدل
03:44
  22. نکات کلیدی، تمرین‌ها و مطالب تکمیلی
03:56
بخش 8: بازتولید مقالات علمی در PyTorch
  1. مقاله علمی یادگیری ماشین چیست
07:34
  2. چرا باید مقالات علمی یادگیری ماشین را بازتولید کنیم
03:13
  3. مقالات و کدهای یادگیری ماشین را کجا پیدا کنیم
08:18
  4. بررسی کلی سرفصل‌های این بخش
08:21
  5. آماده‌سازی محیط کدنویسی در Google Colab
08:21
  6. دانلود داده‌های پروژه Food Vision Mini
04:02
  7. تبدیل تصاویر Food Vision Mini به PyTorch DataLoader
09:47
  8. بصری‌سازی یک تصویر تکی
03:45
  9. بازتولید یک Vision Transformer - نمای کلی
09:53
  10. کالبدشکافی شکل 1 مقاله ViT
11:12
  11. بررسی چهار معادله اصلی و ترفندی برای خواندن مقالات
10:55
  12. بررسی و کالبدشکافی معادله 1
08:14
  13. بررسی و کالبدشکافی معادلات 2 و 3
10:03
  14. بررسی و کالبدشکافی معادله 4
07:27
  15. بررسی جدول 1
11:05
  16. محاسبه دستی ابعاد ورودی و خروجی لایه Embedding
15:41
  17. تبدیل یک تصویر به Patchها (بخش اول: Patch‌بندی ردیف بالا)
15:03
  18. تبدیل یک تصویر به Patchها (بخش دوم: Patch‌بندی کل تصویر)
12:33
  19. ایجاد Patch Embedding با استفاده از یک لایه کانولوشنی
13:33
  20. بررسی خروجی‌های لایه کانولوشنی Patch Embedding
12:54
  21. مسطح‌سازی (Flatten) نقشه‌های ویژگی کانولوشنی به دنباله‌ای از Patch Embeddingها
09:59
  22. بصری‌سازی یک بردار توالی تکی از Patch Embeddingها
05:03
  23. ایجاد لایه Patch Embedding با PyTorch
17:01
  24. ایجاد Class Token Embedding
13:24
  25. ایجاد Class Token Embedding - نکات تکمیلی
13:24
  26. ایجاد Position Embedding
11:25
  27. کنار هم قرار دادن اجزای معادله 1
13:25
  28. بررسی کلی Multihead Attention در معادله 2
14:30
  29. بررسی کلی Layernorm در معادله 2
09:03
  30. تبدیل معادله 2 به کد
14:33
  31. بررسی ورودی‌ها و خروجی‌های معادله
05:40
  32. بررسی کلی بازتولید معادله 3
09:11
  33. تبدیل معادله 3 به کد
11:25
  34. بررسی کلی Transformer Encoder
08:50
  35. ترکیب معادلات 2 و 3 برای ایجاد Transformer Encoder
09:16
  36. ایجاد لایه Transformer Encoder با لایه‌های پیش‌فرض PyTorch
15:54
  37. پیاده‌سازی Vision Transformer اختصاصی - بخش اول: جمع‌آوری اجزا
18:19
  38. پیاده‌سازی Vision Transformer اختصاصی - بخش دوم: نوشتن متد Forward
10:41
  39. دریافت خلاصه تصویری از Vision Transformer اختصاصی
07:13
  40. ایجاد تابع هزینه (Loss) و بهینه‌ساز (Optimizer) از مقاله ViT
11:26
  41. آموزش ViT اختصاصی روی پروژه Food Vision Mini
04:29
  42. بررسی نواقص موجود در روند آموزش ما
09:08
  43. رسم نمودار Loss برای مدل ViT
06:13
  44. دریافت و آماده‌سازی یک Vision Transformer پیش‌آموزش‌دیده از Torchvision
14:37
  45. آماده‌سازی داده‌ها برای استفاده در مدل پیش‌آموزش‌دیده ViT
05:53
  46. آموزش مدل استخراج ویژگی ViT پیش‌آموزش‌دیده برای Food Vision Mini
07:15
  47. ذخیره مدل ViT پیش‌آموزش‌دیده و بررسی حجم آن
05:13
  48. بررسی توازن (Trade-off) بین استفاده از مدل‌های بزرگ برای استقرار
03:46
  49. انجام پیش‌بینی روی یک تصویر سفارشی با مدل ViT پیش‌آموزش‌دیده
03:30
  50. نکات کلیدی، تمرین‌ها و منابع تکمیلی بخش بازتولید مقالات در PyTorch
06:50

پیش‌نیاز‌ها

• یک کامپیوتر (ویندوز، مک یا لینوکس) با اتصال به اینترنت.
• آشنایی پایه‌ای با زبان برنامه‌نویسی پایتون (Python).
• دانش قبلی در زمینه یادگیری ماشین توصیه می‌شود، اما الزامی نیست (منابع تکمیلی کافی برای رساندن شما به سطح مطلوب ارائه می‌شود).

توضیحات دوره

پایتورچ (PyTorch) چیست و چرا باید آن را یاد بگیرم؟

پایتورچ یک فریم‌ورک یادگیری ماشین و یادگیری عمیق است که با زبان پایتون نوشته شده است. این فریم‌ورک به شما امکان می‌دهد تا الگوریتم‌های پیشرفته یادگیری عمیق، مانند شبکه‌های عصبی که قدرت‌بخش بسیاری از کاربردهای امروز هوش مصنوعی (AI) هستند را خلق کرده یا از نمونه‌های موجود استفاده کنید.

به‌علاوه، پایتورچ در حال حاضر بسیار پرطرفدار است و موقعیت‌های شغلی فراوانی برای آن وجود دارد! این فریم‌ورک توسط شرکت‌های زیر استفاده می‌شود:

تسلا (Tesla): برای ساخت سیستم‌های بینایی ماشین در خودروهای خودران

متا (Meta): برای قدرت بخشیدن به سیستم‌های درک و ساماندهی محتوا در تایم‌لاین‌ها

اپل (Apple): برای خلق عکاسی بهبودیافته با پردازش محاسباتی

می‌دانید چه چیزی از این هم جذاب‌تر است؟ بسیاری از جدیدترین تحقیقات یادگیری ماشین با استفاده از کدهای پایتورچ انجام و منتشر می‌شوند؛ بنابراین، آشنایی با نحوه کار آن به این معناست که شما در لبه تکنولوژیِ این حوزهِ به‌شدت پرتقاضا قرار خواهید گرفت.

شما پایتورچ را در جمعی عالی یاد خواهید گرفت. فارغ‌التحصیلان مجموعه Zero To Mastery اکنون در گوگل، تسلا، آمازون، اپل، IBM، اوبر، متا، شاپيفای و سایر شرکت‌های برتر فناوری در خط مقدم یادگیری ماشین و یادگیری عمیق مشغول به کار هستند. این شخص می‌تواند شما باشید.

با ثبت‌نام در همین امروز، می‌توانید به کلاس آنلاین و اختصاصی ما بپیوندید تا در کنار هزاران دانشجو، فارغ‌التحصیل، منتور، دستیار آموزشی و مدرس یاد بگیرید. مهم‌تر از همه، شما پایتورچ را از یک مهندس حرفه‌ای یادگیری ماشین با تجربه در دنیای واقعی و یکی از بهترین مدرسان این حوزه یاد می‌گیرید!

این دوره پایتورچ چگونه خواهد بود؟

این دوره به‌شدت عملی و پروژه‌محور است. قرار نیست فقط به صفحه نمایش خیره شوید. ما این کار را برای سایر آموزش‌ها و دوره‌های پایتورچ می‌گذاریم. در این دوره شما واقعاً مشغول کارهای زیر خواهید شد:

اجرای آزمایش‌ها

انجام تمرین‌ها برای سنجش مهارت‌هایتان

ساخت مدل‌های واقعی یادگیری عمیق و پروژه‌هایی برای شبیه‌سازی سناریوهای دنیای واقعی

در پایان این مسیر، شما مهارت‌های لازم برای شناسایی و توسعه راه‌حل‌های مدرن یادگیری عمیق که شرکت‌های بزرگ فناوری با آن‌ها روبرو هستند را به دست خواهید آورد. هشدار منصفانه: این دوره بسیار جامع است. اما نترسید، دنیل همه‌چیز را از صفر و قدم‌به‌قدم به شما آموزش خواهد داد!

آنچه در این دوره پایتورچ یاد خواهید گرفت:

۱. مبانی پایتورچ: ما از پایه‌ای‌ترین اصول شروع می‌کنیم، بنابراین حتی اگر مبتدی باشید، سریعاً راه می‌افتید. در یادگیری ماشین، داده‌ها به شکل یک "تنسور" (مجموعه‌ای از اعداد) نمایش داده می‌شوند. یادگیری نحوه ساخت تنسورها با پایتورچ برای ساخت الگوریتم‌های یادگیری ماشین بسیار حیاتی است. در این بخش، نوع داده تنسور در پایتورچ را به‌طور عمیق بررسی می‌کنیم.

۲. جریان کار پایتورچ (Workflow): بسیار خب، مبانی را یاد گرفتید و چند تنسور برای نمایش داده‌ها ساختید، اما حالا چه؟ در این بخش، مراحلی را برای تبدیل داده -> تنسور -> مدل آموزش‌دیده شبکه عصبی می‌آموزید. این مراحل را در هر کجای کدهای پایتورچ و تا پایان دوره مشاهده و استفاده خواهید کرد.

۳. طبقه‌بندی شبکه عصبی در پایتورچ: طبقه‌بندی (Classification) یکی از رایج‌ترین مسائل یادگیری ماشین است. آیا چیزی متعلق به گروه الف است یا ب؟ آیا یک ایمیل اسپم است یا نه؟ آیا یک تراکنش کارت اعتباری کلاهبرداری است یا خیر؟ در این بخش یاد می‌گیرید که چگونه یک مدل طبقه‌بندی شبکه عصبی را با استفاده از پایتورچ کدنویسی کنید تا بتوانید موارد مختلف را دسته‌بندی کرده و به این سؤالات پاسخ دهید.

۴. بینایی ماشین در پایتورچ: شبکه‌های عصبی بازی بینایی ماشین را برای همیشه تغییر داده‌اند. اکنون پایتورچ نیروی محرکه بسیاری از جدیدترین پیشرفت‌ها در این حوزه است. در این بخش، یک شبکه عصبی پایتورچ می‌سازید که قادر است الگوها را در تصاویر تشخیص داده و آن‌ها را در دسته‌های مختلف طبقه‌بندی کند.

۵. دیتاست‌های سفارشی پایتورچ: جادوی یادگیری ماشین در ساخت الگوریتم‌هایی برای یافتن الگو در داده‌های سفارشی شماست. چگونه دیتاست سفارشی خودتان را در پایتورچ بارگذاری کنید؟ شما نحوه بارگذاری یک مجموعه تصویر را برای پروژه FoodVision Mini خواهید آموخت: یک مدل بینایی ماشین پایتورچ که قادر است تصاویر پیتزا، استیک و سوشی را دسته‌بندی کند.

۶. ماژولار کردن کدهای پایتورچ: کل هدف پایتورچ، امکان نوشتن کدهای یادگیری ماشین به سبک پایتون است. در این بخش، یاد می‌گیرید چگونه بهترین کدهای دفترچه Jupyter/Google Colab خود را به اسکریپت‌های قابل استفاده مجدد پایتون تبدیل کنید. این دقیقاً همان شکلی است که کدهای پایتورچ در دنیای واقعی به اشتراک گذاشته می‌شوند.

۷. یادگیری انتقالی در پایتورچ (Transfer Learning): چه می‌شد اگر می‌توانستید از آنچه یک مدل یاد گرفته است برای حل مسائل خودتان استفاده کنید؟ با قدرت یادگیری انتقالی آشنا می‌شوید و یاد می‌گیرید چگونه یک مدل آموزش دیده روی میلیون‌ها تصویر را برداشته، کمی تغییر دهید و عملکرد پروژه FoodVision Mini خود را بهبود ببخشید تا در زمان و منابع صرفه‌جویی کنید.

۸. ردیابی آزمایش‌های پایتورچ: با شروع بخش اول پروژه نهایی، کار جدی‌تر می‌شود! تا این مرحله مدل‌های پایتورچ زیادی ساخته‌اید، اما چگونه بهترین آن‌ها را پیگیری می‌کنید؟ سیستمی برای ثبت نتایج آزمایش‌های مختلف FoodVision Mini راه‌اندازی می‌کنید و سپس آن‌ها را برای یافتن بهترین مدل مقایسه خواهید کرد.

۹. پیاده‌سازی مقالات در پایتورچ: حوزه یادگیری ماشین به‌سرعت در حال پیشرفت است. شما یاد می‌گیرید چگونه یک مقاله تحقیقاتی یادگیری ماشین را بررسی کرده و آن را با کدهای پایتورچ بازتولید کنید. در اینجا بخش دوم پروژه نهایی را انجام داده و معماری پیشگامانه Vision Transformer را پیاده‌سازی خواهید کرد!

۱۰. استقرار مدل‌های پایتورچ (Deployment): مدل شما اکنون عالی کار می‌کند، اما چگونه آن را به دست دیگران می‌رسانید؟ در بخش سوم پروژه نهایی، یاد می‌گیرید چگونه بهترین مدل FoodVision Mini را در وب مستقر (Deploy) کنید تا دیگران بتوانند آن را با تصاویر غذای خودشان آزمایش کنند.

حرف آخر چیست؟

رشد و پذیرش یادگیری ماشین در حال انفجار است و یادگیری عمیق راهی است که دانش شما را به سطح بعدی می‌برد. شرکت‌هایی مانند تسلا، مایکروسافت، OpenAI، متا، Airbnb و بسیاری دیگر با قدرت پایتورچ کار می‌کنند. این جامع‌ترین بوت‌کمپ آنلاین برای یادگیری پایتورچ و شروع حرفه شما به عنوان یک "مهندس یادگیری عمیق" است. با تسلط بر پایتورچ و افزودن یادگیری عمیق به مهارت‌های خود، شغل خود را ارتقا دهید و درآمد بیشتری کسب کنید!

دیدگاه کاربران

5

بر اساس امتیاز 2 دانشجو

1
2
3
4
5

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه

ضمانت بازگشت وجه

کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.

مهلت درخواستتا ۱۵ روز پس از خرید دوره
میزان مشاهدهکمتر از ۲۰ درصد یا ۵ جلسه از دوره
1دوره
46دانشجو
1نظر و امتیاز

یک مهندس یادگیری ماشین خودآموخته که در اینترنت زندگی می‌کند و اشتیاقی درمان‌ناپذیر به پیاده‌روی‌های طولانی و پر کردن صفحات سفید دارد.

تجربه من در زمینه یادگیری ماشین از کار در Max Kelsen، یکی از سریع‌ترین آژانس‌های هوش مصنوعی در حال رشد استرالیا، می‌آید. من روی مسائل یادگیری ماشین و داده در صنایع گسترده‌ای از جمله سلامت، تجارت الکترونیک، امور مالی، خرده‌فروشی و موارد دیگر کار کرده‌ام.

دو مورد از پروژه‌های مورد علاقه من عبارتند از:

* ساخت مدل یادگیری ماشین برای استخراج اطلاعات از یادداشت‌های پزشکان برای یکی از مراکز پیشرو تحقیقات پزشکی استرالیا.
* ساخت مدل پردازش زبان طبیعی (NLP) برای بررسی خسارت‌های بیمه برای یکی از بزرگ‌ترین گروه‌های بیمه در استرالیا.

به لطف عملکرد این مدل پردازش زبان طبیعی (مدلی که ادعاهای بیمه را می‌خواند و تعیین می‌کند کدام طرف مقصر است)، این شرکت بیمه توانست بار کاری ارزیابی روزانه خود را تا ۲٬۵۰۰ پرونده خسارت کاهش دهد.

هدف بلندمدت من ترکیب دانش یادگیری ماشین با پیش‌زمینه‌ام در علم تغذیه است تا به پاسخ این پرسش برسم: «من باید چه چیزی بخورم؟».

علاوه بر ساخت مدل‌های یادگیری ماشین به صورت مستقل، عاشق نوشتن و ساخت ویدیو درباره این مسیر هستم. مقالات و ویدیوهای من درباره یادگیری ماشین در پلتفرم Medium، وبلاگ شخصی و یوتیوب در مجموع بیش از ۵ میلیون بازدید داشته‌اند.

هیچ‌چیز را بیشتر از توضیح یک موضوع پیچیده به روشی سرگرم‌کننده و آموزنده دوست ندارم. می‌دانم تلاش برای یادگیری یک موضوع جدید به صورت آنلاین و خودخوان چه حسی دارد؛ بنابراین تمام وجودم را می‌گذارم تا مطمئن شوم آثارم تا حد ممکن برای همه قابل فهم و دسترس‌پذیر باشند.

شیوه کار من (اصطلاحی شیک برای روش انجام کارهایم) «یادگیری برای خلق کردن، و خلق کردن برای یادگیری» است. اگر معادل ژاپنی این مفهوم را می‌دانید، خوشحال می‌شوم با من در میان بگذارید.

همیشه از سؤالات شما استقبال می‌کنم.

poster

دوره جامع پایتورچ (PyTorch) برای یادگیری عمیق

46دانشجو

دوره‌های مشابه