مروری بر یادگیری ماشین و معرفی و آشنایی با شبکههای عصبی
معرفی دوره00:14:38
مروری بر یادگیری ماشین1:09:19
مروری بر شبکههای عصبی1:37:00
مقدمات ریاضی مورد نیاز
مفاهیم ریاضی الگوریتم Back Propagation1:38:15
مقداردهی اولیه پارامترها00:27:14
تاثیر مقداردهی اولیه بر گرادیان کاهشی و مفاهیم پایه امید ریاضی1:08:14
بایاس، واریانس
بدهبستان (trade off) بایاس و واریانس2:31:37
آشنایی با کتابخانههای NumPy و PyTorch
معرفی کتابخانه Pytorch و توابع آن1:47:01
انجام عملیات بر روی آرایه و پیادهسازی گرادیان00:26:24
پیادهسازی شبکه عصبی و روشهای بهینهسازی1:10:37
کار با کتابخانه Pytorch
کلاس حل تمرین و رفع اشکال00:36:04
شبکههای عصبی پیچشی (Convolutional NN)
ملاحظات مهم در بکارگیری شبکههای عصبی1:14:28
اهمیت تنظیم پارامترها در شبکههای عصبی پیچشی00:16:50
تعریف کانال و کاربرد آن در معماری شبکههای عصبی پیچشی00:33:54
پیادهسازی شبکه عصبی پیچشی بر روی بردار00:53:23
شبکههای عصبی پیجشی دو بعدی (2D Convolution)
تعریف مفاهیم پایه شبکه پیچشی دوبعدی00:54:43
معرفی مدلهای مبتنی بر شبکههای پیچشی دو بعدی1:35:19
نحوه پیادهسازی شبکههای عصبی پیچشی دوبعدی00:41:37
مروری بر مطالب پیشین
مروری بر مطالب شبکههای عصبی پیچشی1:24:35
پیادهسازی شبکه پیچشی عصبی بر روی دیتای Chest x-Ray00:44:00
بردارسازی و جاسازی کلمات
روش کشکول واژگان (Bag of Words)00:48:45
روش جاسازی کلمات (Word Embedding)1:16:41
پیادهسازی روشها00:43:25
شبکههای عصبی بازگشتی (Recurrent NN)
معماری شبکههای عصبی بازگشتی00:58:14
تابع هزینه و گرادیان در شبکههای عصبی بازگشتی00:24:50
دستهبندی کلمات با استفاده از شبکه عصبی بازگشتی00:34:13
مروری بر مطالب شبکههای عصبی بازگشتی1:02:26
شبکههای LSTM و GRU00:42:32
پیادهسازی شبکههای عصبی بازگشتی برای تحلیل احساسات00:51:45
ترنسفورمرها و مکانیزم توجه
آشنایی با مفاهیم اولیه مکانیزم توجه1:03:29
آشنایی با مفاهیم ریاضی مکانیزم توجه00:31:16
معرفی لایه ترنسفورمر و کاربردهای آن2:6:28
شبکههای عصبی عمیق و مدلهای زبانی بزرگ
معرفی مدلهای مولد پایه00:23:32
نمایش نحوه کار با یک مدل زبانی پایه برای انتخاب توکن بعدی00:24:07
تنظیم دقیق مدلهای پایه برای پاسخگویی تعاملی00:42:17
جهتدهی به مدلهای مولد با پرامپت00:08:01
ترکیب بازیابی اطلاعات با مدلهای مولد1:6:52
