پی سی دانلود - آموزش-شبکه-عصبی

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.

این دوره یک آشنایی کامل با یادگیری تقویتی عمیق است. یادگیری تقویتی عمیق روش‌های یادگیری تقویتی را با شبکه‌های عصبی عمیق پیوند می‌دهد. تمرکز اصلی بر درک مفاهیم و پیاده‌سازی عملی آن‌ها است. این دوره با مرور اصول اولیه یادگیری تقویتی و چگونگی عملکرد تقریب توابع با استفاده از شبکه‌های عصبی آغاز می‌شود. سپس، به روش‌های مبتنی بر ارزش مانند شبکه‌های Q عمیق (DQN) و نسخه‌های پیشرفته‌تر آن‌ها پرداخته می‌شود. همچنین الگوریتم‌های گرادیان سیاست مانند PPO, DDPG, TD3, و SAC و تکنیک‌های پیشرفته برای اکتشاف، یادگیری مبتنی بر مدل، و آموزش چند عاملی را پوشش می‌دهد. این دوره یک رویکرد عملی دارد و شامل تمرین‌های کدنویسی با استفاده از PyTorch است. شرکت‌کنندگان در این دوره، عوامل هوشمند خود را می‌سازند، با محیط‌هایی مانند بازی‌های آتاری و شبیه‌سازی‌های رباتیک آزمایش می‌کنند و یاد می‌گیرند که چگونه یک فرایند توسعه مناسب برای تحقیقات و کاربردهای یادگیری تقویتی عمیق را تنظیم کنند. علاوه بر الگوریتم‌های اصلی، موضوعات مهم و مدرن دیگری نیز پوشش داده می‌شوند. از جمله این مباحث می‌توان به اکتشاف مبتنی بر کنجکاوی، مکانیسم‌های توجه، مدل‌های جهان، آموزش توزیع‌شده، و یادگیری تقویتی از بازخورد انسانی اشاره کرد. این موضوعات به شرکت‌کنندگان دیدگاهی گسترده‌تر درباره نحوه کاربرد عملی یادگیری تقویتی عمیق در دنیای واقعی می‌دهند.
در دوره آموزشی Deep Reinforcement Learning با ترکیب یادگیری تقویتی و شبکه‌های عصبی عمیق آشنا خواهید شد.

این دوره به شما کمک می‌کند تا به این هدف برسید. امروزه، هوش مصنوعی، مدل‌های زبانی بزرگ (LLM) و مدل‌های چندوجهی بزرگ (LMM) همه جا حضور دارند. اما این LLMها چگونه کار می‌کنند؟ چه فناوری ای آن‌ها را نیرو می‌دهد؟ پاسخ این سوال، یادگیری عمیق است. در این دوره، شما دانش پایه و مهارت عملی لازم برای ساختن مدل‌های قدرتمند هوش مصنوعی از ابتدا و با تنها چند خط کد را کسب خواهید کرد. چه مبتدی در هوش مصنوعی باشید و چه یک دانشمند داده با تجربه، این دوره شما را در تسلط بر مفاهیم اصلی یادگیری عمیق از جمله معماری ترانسفورمر راهنمایی خواهد کرد.
در دوره آموزشی Deep Learning Mastery: Build your AI Foundation بر یادگیری عمیق مسلط خواهید شد.