دوره آموزشی یادگیری عمیق با پایتون: مدلهای دنبالهای و ترنسفورمرها
1 ساعت 26 دقیقهمتوسط2025-04-29
مدرسین

Frederick Nwanganga
Information Technology Professional and Teacher
جزئیات دوره
این دوره مخصوص کساییه که میخوان با مدلهای دنبالهای (Sequence Models) و ترنسفورمرها آشنا بشن؛ مدلهایی که تو کار با دادههایی که پشت سر هم میان مثل دادههای سری زمانی یا پردازش زبان طبیعی (NLP) خیلی مهمن.
تو این آموزش عملی و کاربردی، مدرس "فرد نوانگانگا" بهت میگه داده دنبالهای چیه، چه مشکلاتی توش وجود داره و چطوری میتونیم با استفاده از مدلهای شبکه عصبی مثل RNN، LSTM، GRU و ترنسفورمرها این مشکلات رو حل کنیم.
همچنین با کدنویسی عملی در پایتون، یاد میگیری چطور از مدلهای ترنسفورمر آموزشدیده قبلی استفاده و اونا رو برای مسائل مختلف تنظیم (Fine-tune) کنی تا بهترین نتایج رو بگیری.
🎯 اهداف یادگیری:
بفهمی دادههای دنبالهای یعنی چی و کجاها کاربرد دارن.
با ساختار شبکههای عصبی بازگشتی (RNN) آشنا بشی و خودت بتونی RNN بسازی.
معماری مدلهای LSTM، GRU و ترنسفورمرها رو یاد بگیری.
یاد بگیری چطور مدلهای ترنسفورمر آموزشدیده رو تو پایتون آموزش بدی و تنظیم کنی تا مشکلات مختلف رو حل کنی.
تو این آموزش عملی و کاربردی، مدرس "فرد نوانگانگا" بهت میگه داده دنبالهای چیه، چه مشکلاتی توش وجود داره و چطوری میتونیم با استفاده از مدلهای شبکه عصبی مثل RNN، LSTM، GRU و ترنسفورمرها این مشکلات رو حل کنیم.
همچنین با کدنویسی عملی در پایتون، یاد میگیری چطور از مدلهای ترنسفورمر آموزشدیده قبلی استفاده و اونا رو برای مسائل مختلف تنظیم (Fine-tune) کنی تا بهترین نتایج رو بگیری.
🎯 اهداف یادگیری:
بفهمی دادههای دنبالهای یعنی چی و کجاها کاربرد دارن.
با ساختار شبکههای عصبی بازگشتی (RNN) آشنا بشی و خودت بتونی RNN بسازی.
معماری مدلهای LSTM، GRU و ترنسفورمرها رو یاد بگیری.
یاد بگیری چطور مدلهای ترنسفورمر آموزشدیده رو تو پایتون آموزش بدی و تنظیم کنی تا مشکلات مختلف رو حل کنی.
مهارت ها
Neural Networks and Deep LearningPythonArtificial Intelligence (AI)Programming LanguagesOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
۰. مقدمه
- 01 - شروع کار با مدلهای توالی و ترانسفورماتورها
- 02 - آنچه باید بدانید
- 03 - استفاده از فایلهای تمرین
۱. شبکههای عصبی بازگشتی
- 04 - دادههای توالی چیست؟
- 05 - کاربردهای رایج مدلهای توالی
- 06 - شبکههای عصبی بازگشتی (RNN)
- 07 - ساخت یک RNN ساده با Keras
۲. معماریهای پیشرفته RNN
- 08 - مشکلات گرادیان ناپدید شونده و منفجر شونده
- 09 - راه حلهایی برای مشکلات گرادیان ناپدید شونده و انفجاری
- 10 - شبکههای حافظه کوتاهمدت بلندمدت (LSTM)
- 11 - واحدهای بازگشتی دروازهای (GRU)
- 12 - انتخاب بین GRUها و LSTMها
۳. مدلهای ترانسفورماتور
- 13 - توجه و اهمیت آن در مدلهای توالی
- 14 - معماری مدل ترانسفورماتور
- 15 - یادگیری انتقالی چیست؟
- 16- هابِ در آغوش گرفتنِ چهره
- 17 - انتخاب مدل مناسب از مرکز Hugging Face
۴. استفاده از مدلهای ترانسفورماتور از پیش آموزشدیده
- 18 - تشخیص موجودیتهای نامدار با مدلهای از پیش آموزشدیده در پایتون
- 19 - برچسبگذاری اجزای کلام با مدلهای از پیش آموزشدیده در پایتون
- 20 - تحلیل احساسات با مدلهای از پیش آموزشدیده در پایتون
- 21 - طبقهبندی موضوع با مدلهای از پیش آموزشدیده در پایتون
- 22 - خلاصهسازی متن با مدلهای از پیش آموزشدیده در پایتون
- 23 - پاسخ به سؤالات با مدلهای از پیش آموزشدیده در پایتون
نتیجهگیری
- 24 - ادامه یادگیری عمیق
دوره های مرتبط
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی کارگاه هوش مصنوعی: ساخت شبکه عصبی با PyTorch Lightning
- دوره آموزشی کارگاه هوش مصنوعی: تمرین عملی با GANها با استفاده از شبکههای کانولوشنال عمیق
- دوره آموزشی معرفی عملی مدلهای ترنسفورمر برای بینایی کامپیوتری
- دوره آموزشی اصول هوش مصنوعی چندرسانهای: ترکیب متن، تصویر و صدا برای برنامههای نسل بعدی هوش مصنوعی
- دوره آموزشی یادگیری عمیق با پایتون: شبکههای عصبی کانولوشنی
- دوره آموزشی هوش مصنوعی عملی: پردازش تصویر با پایتون
- دوره آموزشی یادگیری عمیق و بینایی ماشین: شناسایی اشیاء با استفاده از PyTorch