فریمورک PyTorch متن باز  و فریمورک یادگیری عمیق می باشد که یک جایگزین محبوب برای TensorFlow و Apache MXNet است. PyTorch APIs یک رویکرد بومی پایتون را دنبال می کنند که همراه با اجرای گرافیک پویا برای کار با توسعه دهندگان پایتون و دانشمندان داده بسیار کارآمد است. در این دوره با کار با PyTorch و تمام کتابخانه های پیشنهادی، استفاده از Torch tensors، گراف محاسبات دینامیکی و کتابخانه Autograd برای محاسبه شیب آشنا می شوید. شما با درک اصول آموزش شبکه عصبی، گذرهای forward و backward و محاسبات شیب شروع خواهید کرد. شما از این مفاهیم برای ساخت شبکه های عصبی ساده برای پیش بینی قیمت های خودرو استفاده می کنید، و همچنین کسانی که جان سالم به در بردند و کسانی که در تایتانیک مردند استفاده می کنید. بعد، شما به طبقه بندی عکس با استفاده از شبکه های عصبی پیچشی می پردازید. همچنین نقش لایه های convolutional و pooling را مطالعه خواهید کرد و مبانی ساختار CNN و ایجاد CNN برای طبقه بندی تصاویر از مجموعه داده های Cifar-10 را فرا خواهید گرفت. شما همچنین می توانید ببینید که چگونه می توانید قدرت انتقال یادگیری را با استفاده از مدل های آموزش یافته برای طبقه بندی تصویر مورد استفاده قرار دهید. در نهایت، شما می توانید با شبکه های عصبی recurrent برای داده های توالی کار کنید و ببینید چگونه اجرای گرافیک محاسبات پویا در PyTorch میتواند RNN ها را بسیار ساده ایجاد کند. شما از RNN ها با سلول های حافظه طولانی برای پیش بینی جنسیت با نام نوزاد استفاده می کنید.

سرفصل:

  • معرفی دوره
  • معرفی PyTorch
  • پیش نیازهای دوره
  • نورون ها و شبکه های عصبی
  • معرفی PyTorch
  • نصب PyTorch
  • Tensors
  • ایجاد و کار با PyTorch Tensors
  • عملیات با Tensors
  • گراف محاسباتی
  • نزول شیب
  • گذرهای Forward و Backward
  • ایجاد شبکه های عصبی ساده
  • درک شیب ها
  • معرفی Autograd
  • تناوب اتوماتیک معکوس برای محاسبه گرادیان ها
  • مدل خطی با Autograd
  • پیش بینی قیمت با استفاده از یک شبکه عصبی کاملا متصل
  • بهینه سازان
  • شبکه عصبی برای طبقه بندی
  • بررسی مجموعه داده تایتانیک برای طبقه بندی
  • آموزش شبکه عصبی
  • دقت و ضریب رسم نمودار
  • ساخت یک مدل طبقه بندی تصویر
  • درک تصویر
  • ترکیب لایه ها
  • CNN Architectures
  • Batch Normalization
  • بررسی CIFAR10 Dataset
  • پیش بینی ها بر روی داده های تست
  • ResNet Pretrained Model: Data Exploration
  • نورون های Recurrent
  • باز کردن سلول های حافظه RNN از طریق زمان
  • سلول های حافظه طولانی
  • پیش بینی جنسیت ساختار RNN نام  ها
  • آماده سازی مجموعه داده های نام
  • ایجاد RNN
  • آموزش RNN
  • و غیره