×
ribbon

دوره جامع پایتورچ (PyTorch) برای یادگیری عمیق

مدرس:Udemy

Daniel Bourke

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

جدید
زیرنویس
8دانشجو
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

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 1 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
8دانشجو
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

8دانشجو