دوره آموزش دیپ لرنینگ و یادگیری عمیق با پایتون از صفر تا پروژه

مرور جریان یک پروژه ماشین لرنینگ، تفاوت مدل‌های کلاسیک و عمیق، کاربردهای یادگیری عمیق و آماده‌سازی مسیر آموزشی.

بردار، ماتریس، مشتق، گرادیان، احتمال، توزیع و مفاهیم لازم برای درک آموزش شبکه عصبی با رویکرد کاربردی.

ساخت Tensor، مدیریت Shape و Data Type، کار با Dataset، GPU، Google Colab و آماده‌سازی محیط TensorFlow و Keras.

ساخت مدل Sequential و Functional، تعریف لایه‌ها، Dense، Activation، Compile و اجرای اولین آموزش.

درک جریان داده در شبکه، محاسبه خروجی، خطا، گرادیان و نحوه به‌روزرسانی وزن‌ها.

انتخاب تابع هزینه، SGD، Adam، Learning Rate، Batch Size، Epoch و تحلیل تأثیر تنظیمات آموزش.

تقسیم داده، Validation، نمودار Loss و Accuracy، تشخیص Underfitting و Overfitting و انتخاب مدل مناسب.

کنترل بیش‌برازش با L1 و L2، Dropout، Batch Normalization و Early Stopping.

Convolution، Filter، Feature Map، Padding، Stride، Pooling و ساخت شبکه CNN برای طبقه‌بندی تصویر.

تغییر اندازه، نرمال‌سازی، Augmentation، Batch کردن داده و ساخت Pipeline بهینه برای تصاویر.

استفاده از مدل‌های ازپیش‌آموزش‌دیده، Freeze و Unfreeze لایه‌ها، Feature Extraction و Fine Tuning.

مدل‌سازی داده ترتیبی، مشکل وابستگی بلندمدت، ساخت RNN، LSTM و GRU و تحلیل خروجی.

Tokenization، Padding، Embedding، آماده‌سازی داده متنی و ساخت مدل طبقه‌بندی متن.

Attention، ساختار Transformer، استفاده از مدل‌های ازپیش‌آموزش‌دیده و آشنایی با Hugging Face.

تبدیل صوت به ویژگی، Mel Spectrogram، آماده‌سازی دیتاست صوتی و طبقه‌بندی با CNN.

Bounding Box، Confidence، IoU، آماده‌سازی داده و اجرای یک مدل از خانواده YOLO برای تشخیص اشیا.

تنظیم Learning Rate، Batch، معماری، تعداد لایه‌ها و ثبت و مقایسه نتایج آزمایش‌ها.

ذخیره مدل و وزن‌ها، بارگذاری مجدد، اجرای پیش‌بینی، ساخت API یا رابط ساده و آماده‌سازی برای استقرار.

پیاده‌سازی یک شبکه مشابه در Keras و PyTorch و مقایسه Dataset، Training Loop و مدیریت مدل.

انتخاب مسئله، آماده‌سازی داده، ساخت مدل، Transfer Learning یا YOLO، آموزش، ارزیابی، ذخیره و ارائه نهایی.

مرور ساختار Generator و Discriminator، مفهوم عامل و محیط و مسیر ادامه یادگیری GAN و RL.