حالت مطالعه
کدنویسی دوره با پایتورچ
محبوبترین فریمورک یادگیری عمیق دنیا
پیشنهاد هوسم برای پیشنیازها
پیشنهاد هوسم برای تقویت پایتون
برای دریافت فایل ارائه کلیک کنید.
پیشنهاد هوسم برای تقویت ریاضیات
برای دریافت فایل ارائه کلیک کنید.
گروه رفع اشکال و اخبار دوره (تلگرام)
توضیح درباره گروه
برای اطلاعات بیشتر درباره گروه کلیک کنید...
گروه Private هست. لینک را در ردیف زیر تحت عنوان “لینک گروه رفع اشکال” میتوانید مشاهده کنید. اگر لینک کار نکرد، کافی است به شماره پشتیبانی 09025469248 در تلگرام پیام بدهید تا شما را به گروه اضافه کنند. این کار به سرعت انجام میشود.
لینک گروه رفع اشکال
با حضور مدرس دوره
خصوصی
فصل 0: پیشنیازها | ⏰ 8 ساعت و 33 دقیقه
فهرست مطالب فصل صفر
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
مدت زمان |
| 1 | آموزش نصب نرمافزارها | 00:09:38 |
| 2 | پیشنیازهای یادگیری ماشین (تئوری) | 00:12:27 |
| 3 | پیشنیازهای ریاضیات | 00:12:05 |
| 4 | آشنایی با گوگل کولب (Google Colab) | 00:09:47 |
| 5 | آشنایی با فریمورکهای پایتونی موردنیاز | 00:05:20 |
| 6 | سلام و احوالپرسی با پایتورچ! | 00:14:28 |
ضرب نقطهای مقاله
پیشنیاز بخش ریاضی
ساخت تنسور در پایتورچ مقاله
پیشنیاز بخش پایتورچ
سایت پایتورچ مقاله
پیشنیاز بخش پایتورچ
انواع یادگیری در یادگیری ماشین مقاله
پیشنیاز بخش یادگیری ماشین
نصب آناکوندا مقاله
پیشنیاز بخش نصب ابزارها
فصل 1: شبکه عصبی MLP | ⏰ مدت 7 ساعت و 50 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
مدت زمان |
| 1 | نورون مصنوعی | 00:41:30 |
| 2 | یادگیری نورون مصنوعی | 00:24:51 |
| 3 | رگرسیون با نورون مصنوعی | 00:25:50 |
| 4 | دستهبندی با نورون مصنوعی | 00:13:19 |
| 5 | شبکه عصبی MLP | 00:14:26 |
حل مساله XOR مقاله
بخش تئوری شبکه عصبی MLP
کدنویسی گرادیان کاهشی از صفر مقاله
بخش کدنویسی شبکه عصبی MLP
فصل 2: رگرسیون و دستهبندی با MLP | ⏰ مدت 5 ساعت و 35 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
مدت زمان |
| 1 | لایه ورودی در شبکه MLP | 00:41:30 |
| 2 | توابع فعالساز | 00:24:51 |
| 3 | رگرسیون با MLP | 00:25:50 |
| 4 | دستهبندی با MLP | 00:13:19 |
فصل 3: توابع اتلاف و بهینهسازی | ⏰ 5 ساعت و 42 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | توابع اتلاف برای رگرسیون | |
| 2 | توابع اتلاف برای دستهبندی | |
| 3 | سایر توابع اتلاف شناختهشده در یادگیری عمیق | |
| 4 | الگوریتمهای بهینهسازی (مانند Adam Adagrad …) | |
| 5 | الگوریتمهای بهینهسازی جدید | |
| 6 | برنامهریزی نرخ یادگیری (Learning rate schedule) |
گرادیان کاهشی با نستروف مومنتوم مقاله
بخش تئوری
فصل 4: مباحث ویژه در شبکه عصبی | ⏰ 3 ساعت و 34 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | محو گرادیان و انفجار گرادیان | |
| 2 | لایه ورودی و آمادهسازی داده ورودی | |
| 3 | لایه خروجی | |
| 4 | توابع فعالساز | |
| 5 | بررسی اثر تعداد نورونها و لایهها | |
| 6 | نرمالیزه لایهها | |
| 7 | مقداردهی اولیه وزنها | |
| 8 | اورفیت و اندرفیت (Overfit & Underfit) | |
| 9 | بچ (Batch) کردن دادهها |
لایه ورودی در شبکه MLP مقاله
بخش تئوری
دیتالودر در پایتورچ مقاله
بخش کدنویسی
فصل 5: شبکه عصبی کانولوشن (CNN) | ⏰ 5 ساعت و 3 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا شبکه عصبی کانولوشن؟ | |
| 2 | آشنایی با تصویر دیجیتال | |
| 3 | معماری کلی شبکه عصبی کانولوشن و همه لایههای آن | |
| 3-1 | لایه کانولوشن | |
| 3-2 | لایه پولینگ | |
| 3-3 | لایه نرمالیزه | |
| 3-4 | لایه فعالساز | |
| 3-5 | لایه فولیکانکتد | |
| 4 | نکات فنی و تجربی درباره شبکه عصبی کانولوشن |
آشنایی با شبکه CNN مقاله
بخش تئوری
فصل 6: شبکه عصبی بازگشتی (RNN) | ⏰ 7 ساعت و 54 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا شبکههای بازگشتی؟ | |
| 2 | شبکه بازگشتی RNN | |
| 3 | فرآیند آموزش شبکه بازگشتی | |
| 4 | ضعفهای شبکه بازگشتی | |
| 5 | شبکه بازگشتی LSTM | |
| 6 | شبکه بازگشتی GRU | |
| 7 | انواع معماری در شبکههای بازگشتی | |
| 8 | اتنشن در شبکههای بازگشتی | |
| 9 | نکات فنی و پایانی درباره شبکههای بازگشتی |
فصل 7: شبکه ترنسفورمر (Transformer) | ⏰ 5 ساعت و 10 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا ترنسفورمر؟ | |
| 2 | معماری شبکه ترنسفورمر | |
| 3 | ترنسفورمر شبکهای برای تمام فصول! | |
| 4 | ترنسفورمر و دستاوردهایش | |
| 5 | معایب ترنسفورمر | |
| 6 | نکات فنی و پایانی درباره ترنسفورمر |
فصل 8: شبکه عصبی GAN | ⏰ مدت 5 ساعت و 34 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا شبکههای مولد؟ | |
| 2 | معماری شبکه اتوانکدر (Autoencoder) | |
| 3 | معماری شبکه GAN | |
| 4 | کاربرد GAN در انواع دادهها | |
| 5 | ضعفهای شبکه GAN |
کدنویسی شبکه Generator مقاله
بخش کدنویسی
فصل 9: روشهای مدرن یادگیری | ⏰ 3 ساعت و 26 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا روشهای جدیدی در یادگیری داریم؟ | |
| 2 | یادگیری انتقالی (Transfer learning) | |
| 3 | یادگیری گروهی (Ensemble learning) | |
| 4 | Multi-Task learning | |
| 5 | تقطیر دانش (Knowledge Distillation) | |
| 6 | Metric learning | |
| 7 | Multimodal learning |
فصل 10: یادگیری عمیق در بینایی کامپیوتر | ⏰ 6 ساعت و 46 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | آشنایی با بینایی کامپیوتر | |
| 2 | آشنایی با انواع دادهها در بینایی کامپیوتر | |
| 3 | شبکههای عصبی محبوب در بینایی کامپیوتر | |
| 4 | تسکهای معروف در بینایی کامپیوتر (دستهبندی، دیتکشن و سگمنت) | |
| 5 | یادگیری عمیق در دستهبندی تصاویر | |
| 6 | یادگیری عمیق در دیتکشن | |
| 7 | یادگیری عمیق در سگمنت |
فصل 11: یادگیری عمیق در پردازش زبان طبیعی | ⏰ 6 ساعت و 24 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | آشنایی با پردازش زبان طبیعی | |
| 2 | آشنایی با متن و نحوه پردازش اولیه آن | |
| 3 | شبکههای عصبی محبوب در پردازش زبان طبیعی | |
| 4 | تسکهای معروف در پردازش زبان طبیعی (دستهبندی، مدل زبان و ترجمه ماشینی) | |
| 5 | یادگیری عمیق در دستهبندی متن | |
| 6 | یادگیری عمیق در مدل زبانی | |
| 7 | یادگیری عمیق در ترجمه ماشینی |
فصل 12: یادگیری عمیق در پردازش صوت | ⏰ 5 ساعت و 26 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | آشنایی با پردازش صوت | |
| 2 | صوت و پردازشهای اولیه آن | |
| 3 | شبکههای عصبی محبوب در پردازش صوت | |
| 4 | تسکهای معروف در پردازش صوت (دستهبندی، audio separation و speech to text) | |
| 5 | یادگیری عمیق در دستهبندی صوت | |
| 6 | یادگیری عمیق در audio separation | |
| 7 | یادگیری عمیق در speech to text |
فصل 13: شبکه عصبی گرافی (GNN) | ⏰ 3 ساعت و 57 دقیقه
فهرست مطالب این فصل
برای اطلاعات بیشتر کلیک کنید...
| شماره | نام بخش |
|
| 1 | چرا شبکه GNN؟ | |
| 2 | آشنایی با دادههای بدون ساختار منظم | |
| 3 | تشریح ساختار گراف و اجزای مختلف آن | |
| 4 | معماری شبکههای GNN | |
| 5 | معماری شبکههای گراف کانولوشن (GCN) | |
| 6 | نکات پایانی درباره شبکه GNN |
رهیافت Message Passing مقاله
بخش تئوری
پشتیبانی هوسم همواره مورد تحسین دانشجویان بوده است.
** توجه **
این دوره بر بستر اسپات پلیر عرضه میشود. حتما پست زیر را مطالعه فرمایید:
آیا میتوان این دوره را اشتراکی تهیه کرد؟
مجموعه هوسم از تهیه اشتراکی دورهها راضی نیست.
دوره مثال و تمرین دارد؟
بله، تمرین و مثال با جواب داریم.
نحوه دسترسی به دوره آموزشی؟
آموزش بر بستر نرمافزار spotplayer در اختیار شما قرار میگیرد.
آیا میتوانم بعد اینکه دوره را دیدم، این دوره را بفروشم؟
خیر!
آیا امکان خرید یک یا چند فصل وجود دارد؟
خیر، به هیچ وجه.
آیا میتوانم سوالاتی که از پروژه شخصی خودم دارم در گروه پشتیبانی بپرسم؟
خیر، پشتیبانی ما محدود به سوالات مربوط به محتوای دورهها است. وظیفه ما این است که به سوالات شما در رابطه با درسها، تمرینها و مفاهیم دوره پاسخ دهیم. پرسیدن سوالاتی خارج از این محدوده، مانند پروژههای شخصی، خارج از چارچوب پشتیبانی ما است. این قوانین برای حفظ کیفیت و تمرکز بر ارائه بهترین تجربه آموزشی برای همه دانشجویان تدوین شدهاند.
دوره های مرتبط
دیپ کاتالیست: دوره افزایش مهارت
جدول خلاصه اطلاعات دوره نوع دوره آفلاین پیشنیاز دوره یادگیری عمیق و پایتورچ روش دریافت اسپاتپلیر (اطلاعات بیشتر) سیستمعاملهای تحت…
پایتون برای هوش مصنوعی 🤖
جدول خلاصه اطلاعات دوره نوع دوره آفلاین پیشنیاز دوره - روش دریافت اسپاتپلیر (اطلاعات بیشتر) سیستمعاملهای تحت پشتیبانی: ویندوز مک…
یادگیری ماشین جامع: از مفاهیم تا پیادهسازی🔥
جدول خلاصه اطلاعات دوره نوع دوره آفلاین پیشنیاز دوره پایتون روش دریافت اسپاتپلیر (اطلاعات بیشتر) سیستمعاملهای تحت پشتیبانی: ویندوز مک…
مهدی
سلام و درود. در صورتی که خواستیم دیپ لرنینگ کار کنیم، الان کولب بسته هست چکار کنیم؟
آیا راهی سراغ ندارید یا سرویس دیگه ای؟
هوسم
سلام
طبق تحقیقی که انجام دادیم، به نظر میاد سرویس رایگان وجود نداره.
البته، برای شروع نیازی نیست که حتما GPU داشته باشید. با یک لپتاپ با CPU مناسب هم میشه مباحث دوره دیپ لرنینگ هوسم رو پیش برد.
نیلوفر س( دانشجوی دوره )
با درود و خداقوت
من قبل از آشنایی با هوسم، هر زمان که نیاز به آموزش آنلاین داشتم از سایتهای کورسرا، یودمی یا آموزشهای دانشگاههای برتر دنیا به زبان انگلیسی استفاده میکردم. اما به جرأت میتونم بگم وقتی محتوا و کیفیت فوقالعاده خوب دورههای آموزشی هوسم رو دیدم فقط بسنده کردم به دورههای ارائه شده توسط هوسم.
تا حالا پایتون و بخشی از یادگیری عمیق رو گذروندم و هر جلسه از اینکه مطالب رو انقدر زیبا، عمیق و با عشق آماده کردین و آموزش میدید بینهایت لذت میبرم.
امیدوارم روزبهروز بیشتر بدرخشید و افراد بیشتری شانس آشنا شدن با هوسم و تهیهی آموزشهای نابش رو داشتهباشن.
هوسم
سلام
باعث خوشحالی و افتخار هست که چنین دیدگاهی به هوسم دارید.
امیدواریم به اهدافتون برسید و بدرخشید.
ممنون 🌺🙏
mohamad12345.razmiar
سلام وقت بخیر.
چرا از پایتورچ استفاده میکنین و از تنسورفلو نه؟
هوسم
سلام
چند سالی هست که در مقالههای علمی غالبا از پایتورچ استفاده میشه. سهم تنسورفلو در مقالههای علمی بسیار کم هست. به عنوان رفرنس میتونید به لینک زیر از وبسایت paperswithcode مراجعه کنید:
https://paperswithcode.com/trends
دلایل دیگهای هم میشه ذکر کرد: مثلا، هاگینگفیس به عنوان بزرگترین منبع مدلهای زبانی، سازگاری بیشتری با پایتورچ داره. همچنین، فریمورک کراس که همواره مبتنی بر تنسورفلو بود، الان پشتیبانی از پایتورچ رو هم اضافه کرده!
پیشنهاد ما این هست که دوره آموزش پایتورچ رایگان هوسم رو مشاهده بفرمایید. چون، هم با سبک آموزش هوسم آشنا میشید و هم بهصورت مختصر شبکه عصبی و پایتورچ یاد میگیرید. بعدش، میتونید تصمیم بهتر و مطمئنتری برای تهیه این دوره بگیرید.
Hojat( دانشجوی دوره )
با سلام و احترام
نکته 1: بنده حدود سال پیش دوره آموزش پایتورچ رو با پای چارم توسط دکتر اشرفی تهیه کردم و بسیار خوب بود. لازم می دانم از ایشان تشکر کنم چون قبل تر از اون با تنسوفلو کارکردم که نتوانستم ارتباط برقرار کنم و نزدیک بود قید یادیگری عمیق رو بزنم.
نته 2:بنده کارمند دانشگاه هستم که افراد مختلف متناسب با علایق و تخصص خود و در جهت ارتقا آموزش نیروی انسانی دوره هایی را پیشنهاد می دهند و بنده این دوره (یادگیری عمیق جامع: از مفاهیم تا پیادهسازی) را برای خودم پیشنهاد دادم که مورد موافقت قرار گرفت. فقط نیاز به پیش فاکتور رسمی از طریق ایمیل هستم تا مراحل اداری برای تخصیص اعتبار رو طی کنم. ممنون می شوم که پیش فاکتور رو برای بنده ارسال بفرمایید.
هوسم
خیلی خوشحالیم که دورههای ما تونستن تغییر مثبتی در مسیر یادگیری شما ایجاد کنند. پیام شما به ما انرژی داد. و از شما بابت به اشتراک گذاری نظرتون ممنونیم. براتون موفقیتهای بیشتر آرزومندیم🌟
برای دریافت پیشفاکتور یا فاکتور دورهها، لطفا درخواستتون رو به آدرس howsam.mail@gmail.com ایمیل بفرمایید. پس از تهیه، فاکتور برای شما ایمیل خواهد شد.
khosro_khan( دانشجوی دوره )
بنده زمانی که میخواستم وارد بحث ماشین لرنینگ بشم از چند جا فیلم های آموزش خریداری کردم و حتی یه دوره در یکی از آموزشگا ههای معروف تهران رفتم ولی آموزش های هوسم خیلی خیلی خیلی خوبن . عالی . قدرت بیان و انتقال مفاهیم و تسلط به تمامی موضوعات رو میشه احساس کرد . و علاوه بر این ها هزینه کاملا مناسبی هم داره .
AmirMadan( دانشجوی دوره )
عالی! من دوره های زیادی از یادگیری عمیق دیدم. چه فارسی و چه انگلیسی (سایت coursera). واقعا این دوره با اختلاف زیادی از همه اون دوره هایی که دیده بودم بهتره. با قطعیت میشه گفت که هر فردی با گذروندن این دوره به درک عمیقی از یادگیری عمیق میرسه.
هوسم
سلام
خوشحالیم که این دوره برای شما مفید بوده و در درک عمیقتر مطالب کمکتون کرده.
از شما بابت به اشتراک گذاشتن نظرتون بسیار ممنونیم.
مهرداد خ
سلام ، ایا دوره پایتورچ نسخه دو هست ؟ در کل چند ساعت اموزش هست؟
هوسم
سلام
کل دوره 83 ساعت آموزش هست.
دوره با پایتورچ 1 تدریس شده. اما ذکر چند نکته لازم هست: 1) پایتورچ 1 و 2 در کدنویسی تفاوتی ندارن. بنابراین، کدهای نوشته شده با پایتورچ 1، با پایتورچ 2 هم اجرا میشن. 2) عمده تغییرات در پایتورچ 2 متمرکز بر افزایش سرعت و دولوپ هست. بنابراین، جز موارد ضروری برای شروع محسوب نمیشن. هرچند همونطور که گفته شد، شما میتونید کدهای این دوره رو هم روی پایتورچ 1 و هم 2 اجرا کنید.
Erfan( دانشجوی دوره )
سلام ببخشید تحلیل سری های زمانی هم
تو مبحث RNN آموزش داده شده ؟
هوسم
سلام
پروژه فصل RNN داده سری زمانی هست.
اما تمرکز روی آموزش دادههای سری زمانی نبوده و صرفا به عنوان یک نوع داده استفاده شده.
علی زارع
میشه گفت بهترن دوره فارسی زبان و حتی انگلیسی زبان برای شروع یادگیری عمیق است، من که به همه پیشنهاد میدم که با این دوره عمیق مطالب رو یاد بگیرند
behnam.y2010( دانشجوی دوره )
من دوره یادگیری عمیق قبلی رم شرکت کرده بودم راضی بودم تو گروه قبلی بودم
واقعا از دوره جدید خیلی لذت بردم، با اینکه به مباحث آشنا بودم ولی انقدر جذاب ارایه شده بود که واسم سرگرمی شده بود که مطالبو ببینم
به خیلیا پیشنهاد داده ام که از دوره های شما استفاده کنند خودمم تو دانشگاه تدریس میکنم به دانشجوهام معرفی میکنم که واسه سورس فارسی بهترین منابع سایت هوسم هستش و حتی از مطالب وبلاگ سر کلاس استفاده میکنم
دوره انقدر کامل و جامع بود که واسه من سوالی پیش نیومد ولی رسیدم آخراش nlp و gnn، اینطوری بودم که اینا چرا کامل کامل نیست، بعد به خودم گفتم که اینا خودشون یه کورس جدا اند و چقدر توقعم رفته بالا که همه چی باید کامل باشه ولی واسه آشنایی و ورود خیلی خوب بودند
ولی دوست دارم واسه این فصل های آخرم یه کورس جدا و کاملی تهیه کنید.
در کل خداقوت
من واقعا طول این مدت لذت بردم و خیلی یاد گرفتم
آریا
با سلام
ممنون بابت دوره های خیلی خوبی که قرار میدهید
من درخواستی که دارم این است لطفا امکان خرید هر فصل به صورت جدا رو قرار بدهید چون من دوره قبلی رو خریدم و چون زمان زیادی ندارم فقط مایل بودم فصول جدید رو داشته باشم
هوسم
سلام آریا عزیز،
امکان تهیه تکفصل از یک دوره جامع در برنامه هوسم نیست.
از حسن نظر شما نسبت به هوسم بسیار ممنون و خوشحالیم.
🙏🌹
alikermani( دانشجوی دوره )
کرمانی هستم کارشناسی ارشد هوش مصنوعی از دانشگاه امام حسین(ع) و دانشجوی این دوره. کیفیت و عمق مطالب ارائه شده در این دوره به همراه تسلط و بیان خیلی خوب مدرس از مزایای این دوره هست که پیشنهاد میکنم حتما تهیه کنید که ارزشش رو داره.