خودآموز ژرفا: برشِ عمودیِ آبِ عمیق با شاقولی که در سه لایه فرو می‌رود و در هر عمق یک قطعهٔ دقیق‌تر آویزان است

خودآموز تعاملی

ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)

Deep learning with PyTorch tutorial, in Persian

۶ ترم۵۱ فصلکاملاً رایگان

زیر سطحِ ابزارهایی که تا حالا فقط استفاده می‌کردی. با PyTorch شبکه می‌سازی و آموزش می‌دهی، transformer را بلوک‌به‌بلوک می‌فهمی، مدل آماده را fine-tune می‌کنی، و یک سامانهٔ LLM با eval واقعی می‌سازی — همه در Google Colab.

شروع رایگان

فهرست فصل‌ها

۶ ترم، ۵۱ فصل — به ترتیب.

۱مکانیزمِ یادگیری: PyTorch از پایهترم ۱ · ۹ فصلترم 1 ژرفا — پایه‌های PyTorch
  1. دو جعبهٔ ابزارِ هم‌شکل که یکی‌شان دو ابزارِ اضافه داردفصل ۰۱ — `tensor`: چرا یک آرایهٔ دیگر لازم شد
  2. یک ساعتِ مکانیکی که با یک بار چرخاندن، همهٔ چرخ‌دنده‌های داخلش می‌چرخندفصل ۰۲ — `autograd`: مشتق را ماشین حساب می‌کند
  3. یک توپ که روی سطحی شیب‌دار قدم‌به‌قدم به سمتِ گودی می‌رودفصل ۰۳ — `gradient descent` با دست
  4. یک جعبهٔ برشِ آموزشی که داخلش چند ردیف اتصالِ ساده دیده می‌شودفصل ۰۴ — اولین شبکه: از یک خط تا یک لایه
  5. دو خط‌کشِ صاف که هرچه پشتِ سرِ هم بگذاری‌شان باز هم یک خطِ صاف می‌سازندفصل ۰۵ — بدونِ تابعِ فعال‌سازی، شبکه فقط یک خط است
  6. دو گِیج روی یک دستگاه: یکی فاصله تا هدف را نشان می‌دهد، دیگری اندازهٔ قدم رافصل ۰۶ — `loss` و `optimizer`
  7. یک نوارِ نقالهٔ دسته‌بندی که هر بار چند قطعه را به یک ایستگاه می‌رساندفصل ۰۷ — حلقهٔ آموزشِ کامل
  8. یک تابلوی عیب‌یابی با چند سرنخِ متفاوت که هر کدام به یک مسیر می‌رودفصل ۰۸ — `loss` پایین نمی‌آید: چک‌لیستِ واقعی
  9. یک ترازو که یک دستگاهِ پیچیده را در برابرِ یک ابزارِ ساده می‌سنجدفصل ۰۹ — پروژه: یک شبکهٔ کامل روی دادهٔ واقعی
۲آموزشِ درست: تعمیم و آزمایشِ منظمترم ۲ · ۸ فصلترم 2 ژرفا — خوب آموزش دادن
  1. دو منحنی که تا جایی با هم بالا می‌روند و بعد از هم جدا می‌شوندفصل ۰۱ — `overfitting` را با چشم ببین
  2. یک افسارِ کنترل که جلوی حرکتِ بیش از حد را می‌گیردفصل ۰۲ — جلوگیری از حفظ‌کردن
  3. چند لولهٔ هم‌قطر در برابر لوله‌هایی که هرچه جلوتر می‌روند باریک‌تر می‌شوندفصل ۰۳ — چرا شبکهٔ عمیق بدونِ این‌ها آموزش نمی‌بیند
  4. یک شیرِ تنظیمِ جریان با درجه‌بندی، در کنارِ نموداری که در طولِ زمان بسته می‌شودفصل ۰۴ — مهم‌ترین `hyperparameter`
  5. یک قالب که از یک قطعه، چند نسخهٔ کمی متفاوت می‌سازدفصل ۰۵ — وقتی داده کم است
  6. یک قفلِ چندزبانه که سه کلید لازم داردفصل ۰۶ — نتیجه‌ای که فردا هم همان است
  7. دو خط‌کش که با هم مقایسه می‌شوند، و نواری از عدم‌قطعیت روی هر دوفصل ۰۷ — آزمایشِ منظم: یک تغییر در هر بار
  8. یک دفترچهٔ آزمایش با پنج ردیفِ ثبت‌شده و یک مهرِ نهاییفصل ۰۸ — پروژه: بهبودِ مستند با پنج آزمایش
۳دیدن: CNN و انتقالِ یادگیریترم ۳ · ۸ فصلترم 3 ژرفا — بینایی
  1. یک شبکهٔ مربعیِ ریز که هر خانه‌اش یک درجهٔ روشنایی داردفصل ۰۱ — تصویر یعنی عدد
  2. یک ذره‌بینِ کوچک که روی یک شبکهٔ بزرگ سُر می‌خورد و همان الگو را همه‌جا می‌جویدفصل ۰۲ — `convolution`: چرا لایهٔ تمام‌متصل جواب نمی‌دهد
  3. یک برجِ چندطبقه که هر طبقه کوچک‌تر و عمیق‌تر از طبقهٔ زیرین استفصل ۰۳ — معماریِ یک CNN
  4. یک موتورِ ساخته‌شده که در بدنهٔ تازه‌ای نصب می‌شود و فقط اتصالِ خروجی‌اش عوض شدهفصل ۰۴ — مدلِ آماده روی دادهٔ خودت
  5. یک قفلِ چندمرحله‌ای که می‌شود فقط بخشی از آن را باز کردفصل ۰۵ — `fine-tuning` در برابرِ `feature extraction`
  6. چند آینه که یک شیء را بزرگ‌تر از آنچه هست نشان می‌دهندفصل ۰۶ — دام‌های دادهٔ تصویری
  7. یک ذره‌بین که نشان می‌دهد نگاهِ کسی به گوشهٔ تصویر است، نه به خودِ شیءفصل ۰۷ — مدل به چه نگاه می‌کند
  8. یک خطِ تولید با ایستگاهِ بازرسی در ابتدا، نه در انتهافصل ۰۸ — پروژه: طبقه‌بندِ تصویر روی دادهٔ خودت
۴زبان: از `embedding` تا `transformer`ترم ۴ · ۹ فصلترم 4 ژرفا — زبان: از embedding تا transformer
  1. دو راهِ متفاوت برای تبدیلِ یک برگهٔ نوشته به یک ستونِ عددفصل ۰۱ — متن به عدد
  2. دو خوشهٔ نقطه که در یک فضا از هم جدا شده‌اند، و یک نقطه که به‌طورِ نامتقارن به یکی نزدیک‌تر استفصل ۰۲ — فضای `embedding`: معنا و سوگیری
  3. سه ظرف که یکی محتوا را قاطی می‌کند و یکی ترتیبش را نگه می‌داردفصل ۰۳ — ترتیب مهم است
  4. چند نقطه که هرکدام با نخی به‌ضخامتِ متفاوت به بقیه وصل شده‌اندفصل ۰۴ — `attention`: قلبِ ماجرا
  5. چند بلوکِ هم‌شکل که روی هم چیده شده‌اند و از کنارشان یک مسیرِ میان‌بر می‌گذردفصل ۰۵ — بلوکِ `transformer`، تکه‌تکه
  6. دو خط‌کش با تقسیم‌بندیِ متفاوت که یک پارچه را اندازه می‌گیرندفصل ۰۶ — `tokenizer`: چرا فارسی گران است
  7. یک ماشینِ کوچکِ کاملاً باز که همان مکانیزمِ نسخهٔ صنعتی را داردفصل ۰۷ — یک مدلِ زبانیِ خیلی کوچک را خودت آموزش بده
  8. یک ابزارِ ساخته‌شده و آزموده که با یک تنظیمِ کوچک به کارِ تازه‌ای می‌آیدفصل ۰۸ — یک مدلِ آمادهٔ چندزبانه روی فارسی: ویژگی‌گیری و `fine-tune`
  9. یک ترازوی سه‌کفه‌ای که سه گزینه را با یک بودجهٔ محدود می‌سنجدفصل ۰۹ — پروژه: مدلِ متنِ فارسیِ خودت
۵مهندسیِ LLM: سامانه‌ای که واقعاً کار می‌کندترم ۵ · ۱۰ فصلترم 5 ژرفا — مهندسیِ LLM
  1. یک تماسِ ساده که در راه به مانع می‌خورد و بارِ دوم عبور می‌کندفصل ۰۱ — API یک مدلِ بزرگ، از پایتون
  2. یک قالبِ سوراخ‌دار که فقط قطعه‌های درست‌شکل از آن رد می‌شوندفصل ۰۲ — خروجیِ ساختارمند و اعتبارسنجی‌شده
  3. یک دستِ ماشینی که ابزارِ درست را از تخته برمی‌دارد و به دستِ دیگری می‌دهدفصل ۰۳ — `tool calling`: مدل تابعِ تو را صدا می‌زند
  4. قفسه‌ای بزرگ از پرونده‌ها که فقط سه پوشه از آن بیرون کشیده شدهفصل ۰۴ — `RAG` از صفر، بدونِ framework
  5. یک زنجیره که در دو حلقهٔ متفاوت ترک خورده و یکی از ترک‌ها دیده نمی‌شودفصل ۰۵ — `RAG` خراب می‌شود — کجا و چرا
  6. یک ترازو که دو کفه‌اش را با خط‌کش‌های متفاوت اندازه می‌گیرندفصل ۰۶ — `eval`: مهم‌ترین فصلِ این ترم
  7. یک مسیرِ حلقوی از تصمیم و عمل که هر دور کمی از مسیر منحرف می‌شودفصل ۰۷ — عامل: حلقهٔ فکر و عمل
  8. یک کنتور که مصرفِ یک لولهٔ باریک و یک لولهٔ پهن را کنارِ هم نشان می‌دهدفصل ۰۸ — هزینه، تأخیر، `cache`
  9. یک برگهٔ کاغذ که میانِ اسنادِ آرشیو گذاشته شده و لبه‌اش رنگِ متفاوتی داردفصل ۰۹ — ایمنی: `prompt injection` و دادهٔ حساس
  10. قطعه‌های جدا که کنارِ هم یک دستگاهِ کامل می‌سازندفصل ۱۰ — پروژه: سامانهٔ `RAG` فارسی با `eval`
۶تخصصی‌شدن و مسیرِ بعدیترم ۶ · ۷ فصلترم 6 ژرفا — تخصصی‌شدن و مسیرِ بعدی
  1. یک قطعهٔ کوچکِ افزودنی که رفتارِ یک دستگاهِ بزرگ را عوض می‌کندفصل ۰۱ — `fine-tuning` کارآمد: `LoRA`
  2. وزنه‌هایی که به پله‌های محدودی گرد می‌شوندفصل ۰۲ — `quantization` و مدلِ محلی
  3. دو فضای جدا که با نخ‌هایی به هم دوخته شده‌اندفصل ۰۳ — مدلِ چندوجهی در عمل
  4. تصویری که از میانِ نویز کم‌کم بیرون می‌آیدفصل ۰۴ — تولیدِ تصویر: `diffusion`
  5. درخواست‌های پراکنده که پیش از ورود به دستگاه در یک دسته جمع می‌شوندفصل ۰۵ — سرو کردنِ مدل
  6. ترازویی که یک کفه‌اش سنگین‌تر است و کسی دارد اندازه‌اش می‌گیردفصل ۰۶ — مسئولیتِ مهندس
  7. یک دستگاهِ کامل با برچسبِ بازرسیفصل ۰۷ — پروژهٔ نهایی: یک سامانهٔ کامل
شروع رایگان`tensor`: چرا یک آرایهٔ دیگر لازم شدشروع کن