مقدمه‌

سلام!

قالب کوئرا کالج

سیستم امتیازدهی و دریافت گواهی

آماده‌سازی محیط کار

محیط مجازی و کتابخانه‌های پایتون

VS Code

نگاه کلی بر یادگیری عمیق

اهداف فصل

یادگیری عمیق چیست؟

کاربرد یادگیری عمیق در صنعت

گذری بر تاریخ (علم اعصاب)

گذری بر تاریخ (شبکه‌ی عصبی مصنوعی و یادگیری عمیق)

ساختار نورون‌ها

شرایط نظارتی

کوییز

دست‌گرمی

مدیریت داده

منابع داده

مجموعه‌داده‌

برچسب‌گذاری داده‌ها

نسخه‌بندی داده‌

اکتشاف و پیش‌پردازش داده‌ها ۱

اکتشاف و پیش‌پردازش داده‌ها ۲

دوچرخه‌سواران

خونه چند؟

شبکه‌های عصبی کم‌عمق

نورون واحد

نزول گرادیان

تابع فعال‌ساز

شبکه‌ی کم‌عمق

کم‌عمق بازی

چقدر درس بخونم؟

شبکه‌های عصبی عمیق

شبکه چندلایه

انتشار رو به جلو و عقب

فریم‌ورک‌های یادگیری عمیق

مقدمه کراس

مدل ترتیبی کراس

مدل تابعی کراس

پیاده‌سازی عملی (تایتانیک) ۱

پیاده‌سازی عملی (تایتانیک) ۲

خونه جدید؟

بهینه‌سازی و هایپرپارامترها

ارزیابی مسائل رگرسیون

ارزیابی مسائل دسته‌بندی ۱

ارزیابی مسائل دسته‌بندی ۲

کوییز ۱

تابع زیان

بهینه‌سازها

بایاس و واریانس

کوییز ۲

رگولاریزیشن

حذف تصادفی

دروازه‌بان

بهینه‌سازی و هایپرپارامترها ۲

نرخ یادگیری

زمان‌بندی نرخ یادگیری

کال‌بک کراس

محوشدگی و انفجار گرادیان

کوییز ۳

مقداردهی اولیه‌ی پارامترها

اشباع در توابع فعال‌ساز

نرمال‌سازی دسته‌ای و لایه‌ای

تنظیم هایپرپارامترها

کوییز ۴

پیاده‌سازی عملی: صفر تا اجرا (بخش اول - تحلیل و پیش‌پردازش داده‌ها)

پیاده‌سازی عملی: صفر تا اجرا (بخش دوم - طراحی و یافتن بهترین پارامترها)

پیاده‌سازی عملی: صفر تا اجرا (بخش سوم ارزیابی مدل)

پروژه ۱

سفر نمی‌روم دگر!

رضایت مسافران

شبکه‌های عصبی کانولوشنی

کانولوشن چیست؟

لایه‌ی کانولوشنی

Padding و Stride

لایه‌ی Pooling

ساختار کلاسیک CNNها

خواندن تصویر در کراس

پیاده‌سازی با کراس

تقویت داده‌های تصویری

انتقال یادگیری

هنرمند

پیاده‌سازی عملی: قطعه‌بندی

پیاده‌سازی عملی: قطعه‌بندی ۲

پیاده‌سازی عملی: قطعه‌بندی ۳

گربه‌ یا سگ؟ مسئله این است!

پروژه ۲

دسته‌یاب تصویر

مدل‌های دنباله‌ای

شبکه‌های عصبی بازگشتی

انواع شبکه‌های بازگشتی

پیاده‌سازی در کراس

حافظه‌ی طولانی کوتاه‌مدت

واحد بازگشتی دروازه‌ای

پیاده‌سازی و مقایسه انواع مدل‌های دنباله‌ای

پیاده‌سازی عملی ساخت جز

قدم نو رسیده!

پروژه ۳

بازنمایی متن در کراس

لایه‌ی تعبیه در کراس

چی بخریم؟

دسته‌یاب متن

تنسورفلو

تنسور و متغیر

مشتق‌گیری خودکار

اپلای

ساخت مدل

آموزش شبکه

اجرای بی‌تابانه و اجرای گرافی

پیش‌بینی و ارزیابی

«خونه جدید؟» سطح پایین

پای‌تورچ

تنسور

تنسور‌ بازی

مجموعه‌داده و بارگیری آن

پالایش

بهینه‌سازی پارامترها

ذخیره‌سازی و بارگیری مدل

احساسات با پایتورچ

استقرار مدل

ساخت نمونه‌‌اولیه‌

پیش‌بینی دسته‌ای

مدل به‌عنوان سرویس

یادگیری مستمر

ارزیابی پس از بازآموزی

رصد یا مانیتور

مطالعه‌ی بیشتر

تنسور بورد (TensorBoard)

خودرمزگذار

## روند آموزشی کوئرا کالج

امروزه با فراگیر شدن آموزش‌های آنلاین، قالب‌های متعددی برای یادگیری مفاهیم علوم کامپیوتر به‌صورت آنلاین پیاده‌سازی شده است. آموزش آنلاین این مفاهیم، فرصت برنامه‌نویسی به همراه یادگیری را فراهم می‌کند و هم‌چنین انجام تمرین‌های واقعی و استفاده از کتابخانه‌ها و قالب‌های نزدیک به صنعت را تسهیل می‌کند. اما آموزش آنلاین چالش‌هایی نیز به همراه دارد؛ زیرا تعاملی که استاد در سر کلاس با دانشجو دارد و نظمی که جلسات کلاس به یادگیری دانشجو می‌دهد به‌سختی در قالب‌های آموزش آنلاین گنجانده می‌شود.
در کوئرا کالج تلاش کردیم قالبی برای برطرف شدن نیاز تعاملی بودن، نظم، و هم‌چنین کاربردی بودن آموزش آماده کنیم.
در کل، آموزش این دوره متشکل از چندین فصل می‌باشد، که هر فصل شامل تعدادی درسنامه، کوئیز و تمرین است.

## 📖 درسنامه‌ها
پس از مطالعه‌ی هر درسنامه می‌توانید تیک **"خواندم"** آن را بزنید و پیش بروید. در پایین هر درسنامه بخش کامنت‌ها تعبیه شده تا بتوانید پرسش‌ها و نظرات عمومی خود را درباره‌ی درسنامه‌ی مربوطه با ما و سایر شرکت‌کنندگان دوره مطرح کنید.

## 👨‍💻 تمرین‌ها و پروژه‌ها
پس از آشنایی با مفاهیم، نوبت آن است که خودتان دست به کار شوید! شاید هیجان‌انگیز و کمی ترسناک به نظر برسد، اما نترسید! همچنان همراه شما هستیم! 

با پاسخ دادن به سوالات تمرین‌ها و پیاده‌سازی الگوریتم‌ها، دانش خود را تثبیت می‌کنید و با انجام پروژه‌ها به حل مسائل بر روی داده‌های واقعی می‌پردازید و با چالش‌های رایج در فضای صنعت آشنا می‌شوید.

## 🖥 داوری آنلاین
تمرین‌ها و کوئیز‌ها نیز همگی توسط سامانه‌ی داوری خودکار *Quera* تصحیح شده، و پس از ارسال پاسخ، توسط سیستم، نمره‌دهی می‌شود. داوری تمرین ممکن است شامل چندین تست مختلف باشد و سعی شده هنگامی‌که در کسب نمره‌ی کامل یک تست دچار مشکل می‌شوید بازخورد مناسبی توسط سیستم خروجی داده شود.

در تمرین‌هایی که عملکرد مدل یادگیری عمیق شما سنجیده می‌شود یک حد آستانه (Threshold) تعریف شده و در صورتی‌که مدل شما عملکردی بهتر از آن حد داشته باشد تمرین با موفقیت گذرانده می‌شود. البته اگر عملکرد مدل شما از مقدار خواسته‌شده بهتر باشد امتیاز اضافه‌تری کسب خواهید کرد.

## ❔ آزمون‌ها
در بعضی از فصل‌ها به منظور درک عمیق‌تر مباحث آموخته شده تعدادی آزمون/کوییز چندگزینه‌ای در نظر گرفته شده است. پاسخ شما به آزمون‌ها نیز مشابه با تمرین‌ها توسط سامانه‌ی داوری خودکار *Quera* انجام خواهد گرفت. هرچند که از نظر تعداد ارسال پاسخ محدودیتی نخواهید داشت، با این حال امتیاز آزمون‌ها در مقایسه با تمرین‌ها کمتر در نظر گرفته شده است.

## 💬 مربی‌گری
ما گام‌به‌گام در طول مسیر این کالج همراهتان هستیم! در صورت وجود هرگونه پرسش یا ابهام درباره‌ هر بخشی از این کالج می‌توانید از طریق پیام خصوصی، با مربی‌های کالج در ارتباط باشید. تمام سعی ما بر این است که سوالات شما را حداکثر تا ۲۴ ساعت بعد از پرسش، پاسخ بدهیم.

## 👎🏻👍🏻 بازخورد
در پایین هر تمرین یا هر درسنامه (پس از کلیک روی دکمه‌ی «خواندم») دو دکمه جهت دریافت بازخوردهای شما نمایش داده می‌شود. پس از کلیک بر روی هر کدام از آن‌ها، گزینه‌های بیشتری جهت دریافت دقیق‌تر بازخورد شما نمایش داده می‌شود. ما به‌صورت دوره‌ای بازخوردهای شما را بررسی کرده و با پیدا کردن نقاط قوت و ضعف هر درسنامه یا تمرین نسبت به بهبود آن‌ها اقدام خواهیم کرد. بنابراین خواهشمندیم حتماً دیدگاه‌های خود را با ما در میان بگذارید.

جامپ یادگیری عمیق