
این دوره آموزشی به شکلی واضح و عملی طراحی شده تا درک جامعی از شبکههای عصبی به دانشجویان ارائه دهد. این مسیر یادگیری از مفاهیم بسیار پایه آغاز شده و به تدریج به معماریهای پیشرفتهای که امروزه در پژوهشها و صنایع مورد استفاده قرار میگیرند، میپردازد. در ابتدا، دانشجویان با مفاهیم پایهای پرسبترونها و پرسبترونهای چندلایه، که سنگبنای مدلهای شبکههای عصبی هستند، آشنا میشوند. در ادامه، گامبهگام به اصول آموزش شبکهها مانند روشهای مقداردهی اولیه وزنها (Xavier و He)، توابع هزینه و استراتژیهای بهینهسازی پرداخته میشود. تکنیکهای منظمسازی مانند درونریزی (dropout) و نرمالسازی دستهای (batch normalization) نیز پوشش داده میشوند تا دانشجویان با نحوه بهبود عملکرد مدل و کاهش بیشبرازش آشنا شوند. پس از تکمیل مباحث پایه، دوره به شبکههای عمیق پیشخور، اتصالات پسماند و شبکههای عصبی کانولوشنی (CNNs) گسترش مییابد. دانشجویان در این بخش میبینند که چگونه از شبکههای عصبی کانولوشنی هم به صورت نظری و هم عملی با استفاده از کتابخانه PyTorch استفاده میشود. همچنین، نحوه پیادهسازی معماریهای مشابه در زبانهای Julia و MATLAB نیز توضیح داده میشود. سپس، دوره به سمت شبکههای عصبی بازگشتی (RNNs)، LSTMها، GRUها و مدلهای زمانی پیش میرود، که دانشجویان را برای کار با دادههای توالی و مسائل پیشبینی آماده میسازد. در بخشهای پایانی، مکانیزمهای توجه (attention mechanisms) و ترنسفورمرها که امروزه ابزارهای استانداردی در پردازش زبان طبیعی و بینایی کامپیوتر هستند، پوشش داده میشوند. همچنین، خودرمزگذارها (autoencoders)، خودرمزگذارهای متغیر (variational autoencoders)، مدلهای احتمالی مانند شبکههای عصبی بیزی، و رویکردهای خودسازماندهنده مانند شبکههای کوهنن مورد بررسی قرار میگیرند. علاوه بر این، دوره شامل مباحثی درباره شبکههای عصبی گرافی (GNNs) و سایر معماریهای تخصصی مانند شبکههای اکو استیت و ODEs عصبی میشود، که تضمین میکند دانشجویان با طیف گستردهای از تکنیکها آشنایی پیدا کنند.
در این دوره آموزشی Neural Networks with Python : 1 با ساختار و کاربردهای گوناگون شبکههای عصبی آشنا میکند.