ترم ۳ · دیدن: CNN و انتقالِ یادگیری
`fine-tuning` در برابرِ `feature extraction`
فصل ۵
این فصل بخشی از خودآموز کامل آیرو است
فصل ۰۵ — `fine-tuning` در برابرِ `feature extraction` — با دسترسی کامل، همه ۵۱ فصل، چکپوینتها و پروژههای هر ترم باز میشود.
اول مزهاش را بچش — این فصلها رایگاناند:
- فصل ۰۱ — `tensor`: چرا یک آرایهٔ دیگر لازم شد
- فصل ۰۲ — `autograd`: مشتق را ماشین حساب میکند
- فصل ۰۳ — `gradient descent` با دست
- فصل ۰۴ — اولین شبکه: از یک خط تا یک لایه
- فصل ۰۵ — بدونِ تابعِ فعالسازی، شبکه فقط یک خط است
- فصل ۰۶ — `loss` و `optimizer`
- فصل ۰۷ — حلقهٔ آموزشِ کامل
- فصل ۰۸ — `loss` پایین نمیآید: چکلیستِ واقعی
- فصل ۰۹ — پروژه: یک شبکهٔ کامل روی دادهٔ واقعی
- فصل ۰۱ — `overfitting` را با چشم ببین
- فصل ۰۲ — جلوگیری از حفظکردن
- فصل ۰۳ — چرا شبکهٔ عمیق بدونِ اینها آموزش نمیبیند
- فصل ۰۴ — مهمترین `hyperparameter`
- فصل ۰۵ — وقتی داده کم است
- فصل ۰۶ — نتیجهای که فردا هم همان است
- فصل ۰۷ — آزمایشِ منظم: یک تغییر در هر بار
- فصل ۰۸ — پروژه: بهبودِ مستند با پنج آزمایش
- فصل ۰۱ — تصویر یعنی عدد
- فصل ۰۱ — متن به عدد
- فصل ۰۱ — API یک مدلِ بزرگ، از پایتون
- فصل ۰۱ — `fine-tuning` کارآمد: `LoRA`