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

با حل هر تمرین، کوییز یا پروژه مقداری امتیاز به شما تعلق می‌گیرد. با این امتیاز می‌توانید راه‌حل تمرین‌های دوره را دریافت کنید. همچنین پس از پایان دوره، بر اساس امتیاز کسب‌شده توسط شما، گواهی صادر خواهد شد. پس سعی کنید از امتیازات خود به نحو مناسبی استفاده کنید!

## گذراندن فصل‌ها

دوره‌ی «جامپ یادگیری عمیق» از چندین فصل تشکیل شده است. برای هر فصل، یک حد آستانه تعریف شده است که برای گذراندن آن فصل، حتماً باید بیشتر از مقدار آستانه، درسنامه‌ها و مسئله‌های آن را بگذرانید. همچنین با گذراندن یک فصل، فصل بعدی برای شما باز می‌شود و می‌توانید درسنامه‌ها و تمرین‌های آن را ببینید. البته فصل‌های «تنسورفلو»، «پای‌تورچ» و «مطالعه‌ی بیشتر» از این قاعده مستثنا هستند و شما پس از گذراندن فصل «شبکه‌های عصبی عمیق»، هر زمان که بخواهید می‌توانید به محتوای آن دسترسی داشته باشید.

درصد مورد نیاز هر فصل به شرح زیر است:

| نام فصل | درصد مورد نیاز |
| :---: | :---: |
| مقدمه | ۱۰۰ درصد |
| نگاه کلی بر یادگیری عمیق | ۱۰۰ درصد  |
| مدیریت داده | ۹۵ درصد |
| شبکه‌های عصبی کم‌عمق | ۹۳ درصد |
| شبکه‌های عصبی عمیق | ۹۵ درصد |
| بهینه‌سازی و هایپرپارامترها | ۹۸ درصد |
| پروژه ۱ | ۱۰۰ درصد |
| شبکه‌های عصبی کانولوشنی | ۹۶ درصد |
| پروژه ۲ | ۱۰۰ درصد |
| مدل‌های دنباله‌ای | ۹۵ درصد |
| پروژه ۳ | ۱۰۰ درصد |
| تنسورفلو | ۹۱ درصد |
| پای‌تورچ | ۹۰ درصد |
| استقرار مدل | ۱۰۰ درصد |
| مطالعه‌ی بیشتر | ۰ درصد (اختیاری) |

## توضیحات دریافت گواهی

همان‌طور که گفته شد با حل هر یک از تمرین‌ها و کوییز‌های دوره، مقداری امتیاز دریافت می‌کنید و می‌توانید با استفاده از این امتیازات، جواب تمرین‌ها را خریداری کنید. زمانی که دوره را به اتمام می‌رسانید، مقداری امتیاز برای شما باقی می‌ماند و برحسب این مقدار به شما گواهی داده می‌شود.

در نهایت بر حسب امتیاز نهایی، یکی از چهار سطح زیر در گواهی گزارش می‌شود:

+ سطح **Perfect** برای نمرات بالای ۲۰۰۰
+ سطح **Very Good** برای نمرات کم‌تر از ۲۰۰۰ و بالای ۱۶۰۰
+ سطح **Good** برای نمرات کم‌تر از ۱۶۰۰ و بالای ۱۲۰۰
+ سطح **Fair** برای نمرات کم‌تر از ۱۲۰۰

توجه کنید که شما فقط یک‌بار می‌توانید گواهی دوره را دریافت کنید؛ اما پیش از گرفتن گواهی، می‌توانید با حل سوال‌های دیگر داخل فصل‌های دوره و یا تمرین‌های دوره‌ای، امتیاز خود را افزایش داده و سطح گواهی خود را ارتقاء دهید.

همچنین نمونه‌ای از یک گواهی را مشاهده می‌کنید:

![گواهی نمونه](https://quera.org/qbox/download/09kbkqPYcG/image%20(7).png)

جامپ یادگیری عمیق