آموزش جامع یادگیری عمیق از صفر تا پروژه | شبکه‌های عصبی، CNN،… - 14

از Pista Academy حمایت کنید

حمایت شما به ادامه تولید آموزش‌های باکیفیت کمک می‌کند.

حمایت مالی

Pista Academy

LEARN • BUILD • GROW

آموزش جامع یادگیری عمیق از صفر تا پروژه | شبکه‌های عصبی، CNN،… - 14

خلاصه آموزشی

خلاصه این جلسه

مرور سریع مفاهیم اصلی پیش از تماشای کامل یا برای جمع‌بندی بعد از آموزش.

در این جلسه آموزشی، مدرس به بررسی وزندهی شبکه‌های عصبی در ابتدای فرآیند آموزش می‌پردازد. اهمیت انتخاب مقادیر مناسب برای وزن‌ها و بایاس‌ها برای بهبود عملکرد مدل توضیح داده شده است. روش‌هایی مانند خوابیر و کیمینگ برای جلوگیری از مشکلاتی مانند سیمتری و عدم توزیع مناسب سیگنال در شبکه معرفی شده‌اند. همچنین، مفهوم فریز کردن پارامترها در لایه‌های شبکه برای کاربردهایی مانند ترنسفر لرنینگ توضیح داده شده است. در بخش بعدی، به بررسی زمان‌هایی می‌پردازیم که استفاده از اینیشالیزیشن پیش‌فرض مناسب است و هنگامی که نیاز به اینیشالیزیشن سفارشی وجود دارد.

نکات کلیدی

در این جلسه یاد می‌گیرید

وزندهی اولیه شبکه عصبی به طور کامل تأثیر بر عملکرد مدل در طول فرآیند آموزش دارد.

روش‌هایی مانند خوابیر و کیمینگ برای جلوگیری از مشکلاتی مانند سیمتری و عدم توزیع مناسب سیگنال در شبکه استفاده می‌شوند.

زمانی که شبکه معمولی است، عمق کم است و ترنینگ پایدار است، اینیشالیزیشن پیش‌فرض مناسب است.

در شبکه‌های عمیق با اکتیویشن خاص یا مشکلات گردینت، اینیشالیزیشن سفارشی مفید است.

متن ویدیو

Transcript کامل

متن زمان‌بندی‌شده این جلسه برای مرور، جستجو و دسترسی سریع‌تر.

00:04
سلام عرض می‌کنم خدمت دوستان عزیز. بریم سراغ فصل بعدیمون و می‌خوایم راجع به
00:07
وزندهی شبکه‌های عصبی صحبت بکنیم.
00:12
موضوعی که شاید به گفته خودجویتی ساده
00:16
باهاش به نظر بیاد ولی خیلی موضوع مهمیه

پرسش‌های رایج

سؤالات متداول این جلسه

پاسخ کوتاه و مستقیم به پرسش‌هایی که معمولاً هنگام یادگیری این موضوع مطرح می‌شوند.

وزندهی اولیه چه تأثیری بر عملکرد مدل دارد؟↓

وزندهی اولیه به طور کامل تأثیر بر عملکرد مدل در طول فرآیند آموزش دارد، زیرا مقادیر اولیه وزن‌ها و بایاس‌ها به نحوی تعیین می‌شوند که به بهبود یادگیری و جلوگیری از مشکلات مانند سیمتری کمک می‌کنند.

چه روش‌هایی برای وزندهی اولیه استفاده می‌شود؟↓

روش‌هایی مانند خوابیر و کیمینگ برای انتخاب مقادیر مناسب وزن‌ها و بایاس‌ها استفاده می‌شوند تا سیمتری و مشکلات دیگر جلوگیری شود.

زمانی که استفاده از اینیشالیزیشن پیش‌فرض مناسب است؟↓

زمانی که شبکه معمولی است، عمق کم است و ترنینگ پایدار است، اینیشالیزیشن پیش‌فرض مناسب است.

چه زمانی نیاز به اینیشالیزیشن سفارشی است؟

آخرین به‌روزرسانی محتوای متنی: 2026-10-25

درباره این ویدیو

در این دوره جامع، وارد دنیای Deep Learning (یادگیری عمیق) می‌شویم و مفاهیم اصلی، الگوریتم‌ها و تکنیک‌های مورد استفاده در ساخت مدل‌های هوش مصنوعی را از پایه یاد می‌گیریم. این دوره برای افرادی طراحی شده که می‌خواهند درک عمیقی از شبکه‌های عصبی، معماری‌های مدرن یادگیری عمیق و نحوه پیاده‌سازی مدل‌های هوش مصنوعی با Python و PyTorch داشته باشند. در طول این دوره ابتدا با مفاهیم پایه Deep Learning آشنا می‌شویم و سپس قدم‌به‌قدم به سمت ساخت و آموزش مدل‌های واقعی حرکت می‌کنیم. در این دوره یاد می‌گیرید: 🔹 مفاهیم پایه یادگیری عمیق و نحوه عملکرد شبکه‌های عصبی 🔹 کار با Python، NumPy و PyTorch برای توسعه مدل‌های Deep Learning 🔹 ساخت و آموزش Artificial Neural Networks (ANNs) 🔹 مفهوم Gradient Descent و نحوه بهینه‌سازی مدل‌ها 🔹 جلوگیری از Overfitting با روش‌هایی مانند Regularization و Cross Validation 🔹 انتخاب Activation Function، Optimizer و Hyperparameterها 🔹 ساخت Feed Forward Neural Networks 🔹 ارزیابی عملکرد مدل‌های یادگیری ماشین 🔹 کار با پروژه‌های عملی Deep Learning 🔹 آشنایی با Autoencoderها 🔹 اجرای مدل‌های Deep Learning روی GPU 🔹 طراحی و پیاده‌سازی Convolutional Neural Networks (CNNs) 🔹 پروژه‌های مرتبط با تصاویر و Computer Vision 🔹 Transfer Learning و استفاده از مدل‌های از پیش آموزش‌دیده 🔹 Neural Style Transfer 🔹 Generative Adversarial Networks (GANs) 🔹 Recurrent Neural Networks (RNNs) و مدل‌های GRU/LSTM 🔹 مباحث اخلاقی و آینده Deep Learning همچنین در بخش‌های ابتدایی دوره، مباحث ضروری Python شامل: ✅ ساختار داده‌ها در Python ✅ Indexing و Slicing ✅ Functions ✅ Flow Control ✅ کار با Text و Plotها بررسی می‌شود تا بتوانید بدون نیاز به پیش‌نیازهای پیچیده وارد دنیای Deep Learning شوید. این دوره مناسب چه کسانی است؟ این دوره برای: 🎯 دانشجویان و علاقه‌مندان هوش مصنوعی 🎯 برنامه‌نویسانی که می‌خواهند وارد حوزه Machine Learning و Deep Learning شوند 🎯 Data Scientistها و تحلیلگرانی که می‌خواهند مهارت‌های خود را ارتقا دهند 🎯 افرادی که قصد ساخت پروژه‌های واقعی AI دارند مناسب است. پیش‌نیازهای دوره برای شروع این دوره بهتر است با موارد زیر آشنایی اولیه داشته باشید: ✔ مفاهیم پایه برنامه‌نویسی ✔ آشنایی مقدماتی با Python ✔ آشنایی اولیه با ریاضیات پایه اما تمام مباحث مورد نیاز در طول دوره مرور و توضیح داده خواهد شد. اگر به دنبال یادگیری Deep Learning به صورت اصولی و پروژه‌محور هستید، این دوره می‌تواند مسیر شما را برای ورود به دنیای هوش مصنوعی هموار کند. 📌 برای مشاهده تمام جلسات این دوره، کانال Pista Academy را دنبال کنید. 🌐 وب‌سایت: https://pistaacademy.ir