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

فایل آموزشی

آموزش یادگیری عمیق با پایتون و PyTorch؛ بینایی ماشین، ترنسفورمر و مهندسی LLM (خودآموز ژرفا)

خودآموز یادگیری عمیق در سطح متوسط: ساختن و آموزش شبکهٔ عصبی با PyTorch، آموزش درست مدل، بینایی ماشین، پردازش زبان و ترنسفورمر، fine-tune مدل آماده و ساختن سامانهٔ LLM با ارزیابی واقعی. همه در Google Colab. خودآموز دانلودی کامل و مستقل با جواب تمرین‌ها؛ قالب PDF، EPUB و MOBI، دانلود از حساب کاربری پس از پرداخت.

امتیاز خریدارهای این خودآموز

هنوز امتیازی نیست

میانگین از سومین امتیاز

  • ۵ ستاره: ۰ نفر
  • ۴ ستاره: ۰ نفر
  • ۳ ستاره: ۰ نفر
  • ۲ ستاره: ۰ نفر
  • ۱ ستاره: ۰ نفر
یادداشت‌ها و پرسش‌ها
قیمت
۳۹۹٬۰۰۰ تومان
قالب
PDF · EPUB · MOBI
تعداد صفحه
۸۶۷
حجم
۳۱٫۲ مگابایت
زبان
فارسی
خرید و دریافت فایل

برای خرید حساب کاربری لازم است و فایل بعد از پرداخت در حساب من می‌ماند.

هر فایل به نام خریدارش آماده می‌شود: شمارهٔ موبایل و شناسهٔ حساب با خطی ریز در حاشیهٔ صفحه‌ها می‌آید. برای کاربرانِ زیر ۱۸ سال، بخشی از شماره پوشانده می‌شود.

این فایل نسخهٔ دانلودی خودآموز ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط) است.

دربارهٔ این فایل

نسخهٔ دانلودی خودآموز «ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)» با ۵۱ فصل و ۸۶۷ صفحه.

خودآموزی کامل و مستقل با جوابِ تمرین‌ها: برای خواندن و تمرین به سایت نیازی نیست. فهرست کامل و چند صفحهٔ نمونه را همین‌جا ببین.

پیش‌نمایش

این تصویرها چند صفحه از همین فایل‌اند.

  • صفحهٔ ۲ از خودآموز ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)صفحهٔ ۲
  • صفحهٔ ۳ از خودآموز ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)صفحهٔ ۳
  • صفحهٔ ۱۰ از خودآموز ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)صفحهٔ ۱۰
  • صفحهٔ ۱۱ از خودآموز ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)صفحهٔ ۱۱
  • صفحهٔ ۲۳ از خودآموز ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)صفحهٔ ۲۳
  • صفحهٔ ۲۴ از خودآموز ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)صفحهٔ ۲۴
صفحهٔ ۲ از خودآموز ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)
صفحهٔ ۲ · ۱ از ۶

فهرست مطالب

  1. ترم ۱ — مکانیزمِ یادگیری: PyTorch از پایه۱۰
    1. `tensor`: چرا یک آرایهٔ دیگر لازم شد۱۰
    2. `autograd`: مشتق را ماشین حساب می‌کند۲۳
    3. `gradient descent` با دست۳۴
    4. اولین شبکه: از یک خط تا یک لایه۴۷
    5. بدونِ تابعِ فعال‌سازی، شبکه فقط یک خط است۵۹
    6. `loss` و `optimizer`۷۴
    7. حلقهٔ آموزشِ کامل۹۰
    8. `loss` پایین نمی‌آید: چک‌لیستِ واقعی۱۰۴
    9. پروژه: یک شبکهٔ کامل روی دادهٔ واقعی۱۲۰
  2. ترم ۲ — آموزشِ درست: تعمیم و آزمایشِ منظم۱۳۶
    1. `overfitting` را با چشم ببین۱۳۶
    2. جلوگیری از حفظ‌کردن۱۵۰
    3. چرا شبکهٔ عمیق بدونِ این‌ها آموزش نمی‌بیند۱۶۵
    4. مهم‌ترین `hyperparameter`۱۸۳
    5. وقتی داده کم است۱۹۹
    6. نتیجه‌ای که فردا هم همان است۲۱۳
    7. آزمایشِ منظم: یک تغییر در هر بار۲۲۹
    8. پروژه: بهبودِ مستند با پنج آزمایش۲۴۲
  3. ترم ۳ — دیدن: CNN و انتقالِ یادگیری۲۵۶
    1. تصویر یعنی عدد۲۵۶
    2. `convolution`: چرا لایهٔ تمام‌متصل جواب نمی‌دهد۲۶۶
    3. معماریِ یک CNN۲۷۹
    4. مدلِ آماده روی دادهٔ خودت۲۹۱
    5. `fine-tuning` در برابرِ `feature extraction`۳۰۶
    6. دام‌های دادهٔ تصویری۳۲۱
    7. مدل به چه نگاه می‌کند۳۳۸
    8. پروژه: طبقه‌بندِ تصویر روی دادهٔ خودت۳۵۲
  4. ترم ۴ — زبان: از `embedding` تا `transformer`۳۷۰
    1. متن به عدد۳۷۰
    2. فضای `embedding`: معنا و سوگیری۳۸۶
    3. ترتیب مهم است۴۰۴
    4. `attention`: قلبِ ماجرا۴۲۰
    5. بلوکِ `transformer`، تکه‌تکه۴۳۸
    6. `tokenizer`: چرا فارسی گران است۴۵۳
    7. یک مدلِ زبانیِ خیلی کوچک را خودت آموزش بده۴۶۹
    8. یک مدلِ آمادهٔ چندزبانه روی فارسی: ویژگی‌گیری و `fine-tune`۴۸۶
    9. پروژه: مدلِ متنِ فارسیِ خودت۵۰۳
  5. ترم ۵ — مهندسیِ LLM: سامانه‌ای که واقعاً کار می‌کند۵۲۴
    1. API یک مدلِ بزرگ، از پایتون۵۲۴
    2. خروجیِ ساختارمند و اعتبارسنجی‌شده۵۴۲
    3. `tool calling`: مدل تابعِ تو را صدا می‌زند۵۶۱
    4. `RAG` از صفر، بدونِ framework۵۷۹
    5. `RAG` خراب می‌شود — کجا و چرا۵۹۵
    6. `eval`: مهم‌ترین فصلِ این ترم۶۰۴
    7. عامل: حلقهٔ فکر و عمل۶۲۶
    8. هزینه، تأخیر، `cache`۶۴۸
    9. ایمنی: `prompt injection` و دادهٔ حساس۶۷۰
    10. پروژه: سامانهٔ `RAG` فارسی با `eval`۶۹۱
  6. ترم ۶ — تخصصی‌شدن و مسیرِ بعدی۷۱۴
    1. `fine-tuning` کارآمد: `LoRA`۷۱۴
    2. `quantization` و مدلِ محلی۷۳۴
    3. مدلِ چندوجهی در عمل۷۵۵
    4. تولیدِ تصویر: `diffusion`۷۷۶
    5. سرو کردنِ مدل۷۹۳
    6. مسئولیتِ مهندس۸۱۵
    7. پروژهٔ نهایی: یک سامانهٔ کامل۸۳۵

از میز خواننده‌ها

یادداشت‌ها و پرسش‌ها

ستاره‌ها را فقط کسانی می‌دهند که آن را خریده‌اند و یادداشتشان مهر «خریدار» دارد. پرسیدن دربارهٔ آن برای همه آزاد است و نوشتهٔ اول هر کس پیش از انتشار خوانده می‌شود.

یادداشت‌ها بعد از بارگذاری صفحه نشان داده می‌شوند.