Deep Learning | یادگیری عمیق

✅ اگه فقط ۹ هفته وقت بذاری، NLP رو مثل یه حرفه‌ای یاد می‌گیری! 👨🏻‍💻 همه‌ی دوره‌ها و آموزش‌هایی که تا الان برای یادگیری NLP رفتم رو مرتب کردم و کنار هم گذاشتم؛ از مبانی تا مباحث پیشرفته و حتی هوش مصنوعی مولد، و یه سری پروژه‌ی خوب. ⬅️ باهاشون یه نقشه راه درست کردم که توی ۹ هفته، هر چیزی که باید درباره‌ی NLP بدونی رو از پایه تا سطح پیشرفته، همراه با پروژه‌ها بهت یاد می‌ده. 📂 با یه نگاه بهش دقیق می‌فهمی چه موضوعاتی رو قراره بخونی و ترتیب درستش چیه. بعد از اون، بهت میگم از کجا چی بخونی و چه دوره‌هایی رو به چه ترتیبی بگذرونی. 📍 NLP Roadmap ➖ ➖ ➖ ➖ ➖ 〰 برای شروع، این دوره رو پیشنهاد می‌کنم. به نظرم بهترین گزینه برای شروعه. چون بیشترِ موضوع‌های مهم NLP رو پوشش می‌ده و آخرش هم یه پروژه‌ی خوب داره که می‌تونی توی رزومه‌ات بذاری. 🏷 تازه آخرین ویدیوش یه مقدمه‌ی کوچیک برای هوش مصنوعی مولده که کمک می‌کنه مفاهیمی که یاد گرفتی، به هم وصل بشه و ذهنت برای مرحله‌های بعد آماده بشه. 🖥 NLP Tutorial ➖ ➖ ➖ ➖ ➖ 〰 بعد از اون، یه دوره‌ی ساده درباره‌ی ترنسفورمرهاست واقعاً هم برای ورود به دنیای هوش مصنوعی مولد، همین یه دوره کافیه. 🏷 ترنسفورمرها رو از صفر توضیح می‌ده و با کد عملی جلو می‌ره؛ من خودم خیلی باهاش حال کردم چون هم روون بود و هم کاربردی. 🖥 Transformers from scratch ➖ ➖ ➖ ➖ ➖ 〰 مرحله‌ی بعدی، رفتن سراغ GANهاست. این یکی از جذاب‌ترین دوره‌هایی بود که دیدم؛ هم بخش مفهومیش عالی بود، هم بخش عملیش فرق داشت و آدم حس می‌کرد واقعاً داره یه چیزی می‌سازه. 🏷 این پلی‌لیست از معرفی GAN شروع می‌کنه، بعد با هم یه GAN ساده رو از صفر می‌سازین و کم‌کم می‌رین سمت مدل‌های پیشرفته‌تر مثل DCGAN و WGAN، هم از لحاظ تئوری هم با پیاده‌سازی کد. 🖥 Generative Adversarial Networks ➖ ➖ ➖ ➖ ➖ 〰 و در آخر هم پروژه‌ها: این دوره کلی پروژه‌ی NLP با ایده‌های متنوع داره و بیشترشون هم واقعاً خوبن. 🏷 من البته بیشتر از کدهای گیت‌هابش استفاده کردم و ویدیوها رو ندیدم، چون سبک یادگیریم اینه که مستقیم کد رو ببینم و دست‌کاری کنم؛ هم سریع‌تر یاد می‌گیرم هم برام لذت‌بخش‌تره. تو هم می‌تونی هر مدلی که راحت‌تری جلو بری؛ یا با ویدی… خواندن کامل ←

✅ راهنمای «یادگیری PyTorch» من ⬅️ از رگرسیون خطی تا بینایی کامپیوتر 👨🏻‍💻 تو مسیر یادگیری و مسلط شدنم به PyTorch، به‌جای اینکه فقط ویدیو ببینم و رو آموزش تئوری وقت بذارم، دست به کد شدم، تمرین کردم، پروژه زدم، اشتباه کردم، حلش کردم و همین باعث شد به مفاهیم، عملی و کاربردی مسلط بشم. ▶️ حالا همه چیزایی که یاد گرفتم و فکر می‌کنم به درد بقیه هم می‌خوره رو، یک‌جا آوردم. ✏️ این یه جور نقشه‌راه عملیه که برای کسی که می‌خواد از صفر شروع کنه و برسه به جایی که بتونه مدل‌های بینایی کامپیوتر رو بسازه و آموزش بده، عالی و کافیه. 🔹 از Tensorها شروع کردم؛ 🔹 بعد یاد گرفتم چطور باهاشون کار کنم، 🔹 یه پروژه‌ی «رگرسیون خطی» زدم. 🔹 رسیدم به بحث مدیریت داده‌ها. 🔹 کم‌کم رفتم سراغ CNN، 🔹 یه مدل ساده روی FashionMNIST ساختم. ✔️ و در آخر یه پروژه جذاب‌تر: CNN برای تشخیص “اسب یا انسان” ⚡️ Mastering PyTorch ⚡️ Mastering PyTorch 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

📹 مجموعه پلی‌لیست‌های درس «یادگیری عمیق کاربردی» 👨🏻‍💻 یه مجموعه‌ی جامع و چندساله از ویدیوهای ضبط‌شده‌ی درس «یادگیری عمیق کاربردی» که از سال ۲۰۲۰ تا ۲۰۲۵، هر ساله تو دانشگاه فنی وین تدریس شده و حالا به‌صورت پلی‌لیست روی یوتیوب در دسترسه. ✏️ این پلی‌لیست‌ها دقیقاً حسِ اینو بهت می‌ده که چند سال پشت ‌سر هم سر کلاس یادگیری عمیق یه دانشگاه معتبر نشسته باشی، بدون اینکه هزینه‌ای پرداخت کنی. ✅ درس هم صرفاً فرمول و تئوری نیست؛ واقعاً کاربردی و پروژه ‌محوره. از همون اول می‌ره سراغ مباحث اصلی: چطور مدل بسازی، دیتا رو آماده کنی، مدل رو آموزش بدی، بفهمی کجا خراب کرده و بعد درستش کنی. 🕧 Applied Deep Learning 2020 🕧 Applied Deep Learning 2021 🕧 Applied Deep Learning 2022 🕧 Applied Deep Learning 2023 🕧 Applied Deep Learning 2024 🕧 Applied Deep Learning 2025 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

🔴 یادگیری تعاملی ترنسفورمرها 👨🏻‍💻 به‌جای اینکه ترنسفورمر رو فقط با متن و دیاگرام‌های دوبعدی یاد بگیری، اینجا می‌تونی سه‌بعدی و تعاملی ببینی داخل مدل دقیقاً چه خبره. ✏️ می‌تونی داخل مدل‌هایی مثل LLaMA حرکت کنی، همه‌ی تنسورها و عملیات‌ها رو زنده ببینی. روی هر بخشم کلیک کنی، همون‌جا خطوط دقیق کدی که اون قسمت رو اجرا می‌کنه رو نشونت می‌ده. 📊 Illustrated Transformer 3D 📊 Illustrated Transformer 3D 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

▶️ دوره «یادگیری عمیق» 🖥 دانشگاه استنفورد 🔄 پاییز ۲۰۲۵ 👨🏻‍💻 دوره‌ی معروف یادگیری عمیق دانشگاه استنفورد دوباره تو ترم پاییز ۲۰۲۵ شروع شده. مدرس‌هاش هم همون استادهای خفن همیشگی‌ان: Andrew Ng و Kian Katanforoosh. ✏️ این دوره از همون سال‌های اولی که دیپ‌لرنینگ تازه داشت جا می‌افتاد، جزو بهترین کلاس‌های آنلاین هوش مصنوعی بوده؛ خیلی‌ها اولین ورود جدی‌شون به دنیای شبکه‌های عصبی رو با همین کلاس شروع کردن. ▶️ هر سال هم به‌روز می‌شه می‌شه تا مفاهیم جدیدتر هوش مصنوعی توش پوشش داده بشه. تمامی جلسات ضبط می‌شه و به مرور تو پلی‌لیست زیر قرار می‌گیرن. ┌ 📖 Syllabus └ 🎥 Youtube Playlist 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

💯 با این ترفند سرعت آموزش مدلت تو PyTorch رو تا ۵ برابر بیشتر کن! 👨🏻‍💻 من همیشه می‌دیدم موقع آموزش، GPU اون‌قدری که باید درگیر نیست و یه جورایی نصفه‌نیمه کار می‌کنه. بعد فهمیدم مشکل از خود DataLoaderئه. تنظیمات پیش‌فرضش باعث می‌شه CPU و GPU نوبتی کار کنن، نه همزمان. ✏️ وقتی من داده رو با .to(device) می‌فرستم روی GPU ،CPU منتظر می‌مونه و کارش می‌خوابه. بعدش وقتی CPU داره batch بعدی رو آماده می‌کنه، GPU عملاً بیکاره و کاری انجام نمی‌ده. نتیجه‌اش یه عالمه زمان که می‌ره توی idle time و سرعت آموزش بی‌خودی میاد پایین. ▶️ راه‌حلش خیلی ساده‌ست ولی تاثیرش وحشتناک عالیه: 🔹 توی DataLoader اینو فعال کن: pin_memory=True 🔹 موقع انتقال داده به GPU اینو بزن: .to(device, non_blocking=True) 🔹 و یه num_workers مناسب بذار تا DataLoader بتونه داده رو توی پس‌زمینه لود کنه. ⬅️ بعد از این تنظیمات، اتفاقی که می‌افته اینه: CPU همزمان که GPU داره batch فعلی رو پردازش می‌کنه، batch بعدی رو آماده می‌کنه. یعنی دیگه هیچ‌کدوم منتظر اون یکی نمی‌مونن و هر دو با هم کار می‌کنن. 📂 Faster Training with Memory Pinning 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

👨🏻‍💻 اگه هنوز یادگیری دیپ‌لرنینگ رو با PyTorch شروع نکردی، این پلی‌لیست از Codemy.com یادگیریش رو برات خیلی راحت و بی‌دردسر می‌کنه. 🔵 چطور یه شبکه عصبی ساده بسازی 🟠 مدل رو آموزش بدی و ارزیابیش کنی 🔵 بری سراغ CNNها و دیتاست MNIST 🟠 و مدل‌ها رو مثل حرفه‌ای‌ها ذخیره کنی. ▶️ همه‌ی اینا تویِ ۱۹ تا ویدیوی کوتاه که اکثرشون زیر ۲۰ دقیقه‌ان، گفته شده. بدون حاشیه و کش دادنِ الکی. 🔹برای کسی که از «تنسور چیه؟» شروع کرده و می‌خواد برسه به پروژه‌های واقعی PyTorch، گزینه‌ی خوبیه. 🖥 Deep Learning With PyTorch 🖥 Deep Learning With PyTorch 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

👨🏻‍💻 یه مهندس گوگل به اسم Antonio Gulli یه کتاب حدود ۲۵۰ صفحه‌ای که به «طراحی و ساخت سیستم‌های هوش مصنوعی» می‌پردازه، رو رایگان منتشر کرده. 🏷 تو این کتاب از صفر تا صدِ مسیر رو توضیح داده و کلی مثال عملی هم آورده . همه‌چی رو جامع پوشش می‌ده. ▶️ از یادگیری ماشین و دیپ‌لرنینگ گرفته تا ترنسفورمرها، فاین‌تیون مدل‌ها، ساخت ایجنت‌های هوش مصنوعی و حتی به Vibe coding و کدنویسی با کمک هوش مصنوعی به شکل سریع و تجربی می‌پردازه. 📖 Al Design: A Beginner's Guide 📖 Al Design: A Beginner's Guide 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

▶️ «یادگیری عمیق با PyTorch» ✅ از صفر تا شبکه‌های عصبی گراف 👨🏻‍💻 تا حالا دلت خواسته از صفرِ صفر شروع کنی و برسی به ساختن شبکه‌های عصبی گراف. اونم بدون اینکه مبانی ریاضی یا کدنویسی رو بپیچونی و رد بشی؟ ▶️ این پلی‌لیست ۳۷ قسمتی گام به گام یادگیری عمیق رو با پایتورچ بهت یاد می‌ده: 1️⃣ از رگرسیون خطی و لجستیک شروع میشه، 2️⃣ بعد می‌ره سراغ پیاده‌سازی شبکه‌های عصبی، CNN، RNN، LSTM از صفر، 3️⃣ آخرش هم می‌رسه به GNNها و کار با PyTorch Geometric. 🏷 این دوره الکی طولش نمی‌ده و حاشیه نمی‌ره، فقط توضیحات مورد نیاز، همراه با ریاضیات و کد. قشنگیش اینه که کل مسیر یادگیری عمیق رو یه‌جا و منظم بهت یاد می‌ده تا به GNN برسی. 🖥 Deep Learning with Pytorch 🖥 Deep Learning with Pytorch 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

▶️ «ریاضیات شبکه‌های عصبی و یادگیری عمیق» 👨🏻‍💻 اون اوایل که تازه افتاده بودم تو مسیر یادگیری دیپ‌لرنینگ و جدی‌تر دنبالش می‌کردم، این ویدیو نگاهم رو به DL عوض کرد و کلی از مفاهیم رو باهاش یاد گرفتم. ✏️ یه ویدیوی ۵ ساعته‌ست که میاد ریاضیات شبکه‌های عصبی رو گام به گام توضیح می‌ده و واقعاً هر موضوع رو برات باز می‌کنه. ✔️ فرایند Forward propagation نورون‌ها ✔️ گرادیان‌ها، مشتق‌ها و تابع هزینه ✔️ فرآیند پس انتشار بین لایه‌ها ▶️ چیزی که من خیلی باهاش حال کردم این بود که توضیحاتش رو با یه جور شهود هندسی/تصویری ترکیب می‌کنه تا مبحث رو بهتر بفهمی، و مثال‌هاش هم طوریه که می‌تونی همون موقع شروع کنی و انجامشون بدی. ┌ 💻 The Mathematics of NN & DL ├ 📹 Tutorial Video ├ 📖 Book └ ✍️ Paper 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

🗺️ «نقشه راه یادگیری بینایی کامپیوتر من» 👨🏻‍💻 یه سری از بهترین دوره‌ها و آموزش‌هایی که خودم برای یادگیری بینایی کامپیوتر ازشون استفاده کردم رو اینجا جمع کردم، تا هر کسی که می‌خواد شروع کنه یک مسیر مشخص و منظم داشته باشه. 1️⃣ بدون یادگیری عمیق هیچی پیش نمی‌ره! 📑 حتماً باید پایه‌ی قوی تو یادگیری عمیق داشته باشی، چون اکثر تکنیک‌های بینایی کامپیوتر دقیقاً روی همین مفاهیم سوارن. 🔗 Deep Learning Basics ➖ ➖ ➖ 2️⃣ بعد برو سراغ بینایی کامپیوتر 📑 این یکی از بهترین آموزش‌هایی بود که اوایل مسیرم ازش استفاده کردم. کلی موضوع اصلی و ضروری رو پوشش می‌ده. 🔗 CV Starter Tutorial ➖ ➖ ➖ 3️⃣ حالا وقتشه پروژه‌های واقعی بسازی! 📑 اگه می‌خوای تو این حوزه رشد کنی، باید پروژه‌های زیادی بزنی و ابزارهای مختلف رو تجربه کنی. این دوره فقط یه سری کد تو نوت‌بوک نیست، پروژه‌های واقعی و کاربردی داره و حتی یادت می‌ده چطور یه اپلیکیشن کامل بسازی. 🔗 CV Projects ➖ ➖ ➖ 4️⃣ اینم یه آموزش خوب دیگه 📑 از این یکی، پروژه‌هایی رو انتخاب کن که فکر می‌کنی برات مفیدتره. 🔗 Extra CV Projects ➖ ➖ ➖ 5️⃣ و اما مهم‌ترین بخش، پروژه‌های واقعی از دنیای کار 📑 در ادامه چند تا از بهترین پروژه‌های بینایی کامپیوتری که خودم تو شرکت‌ها و مسابقات انجام دادم رو از ساده به سخت، همراه با کد و توضیحات کامل، تو لینک زیر قرار دادم: 🔗 Real CV Projects 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

▶️ دوره «ترنسفورمرها و مدل‌های زبان بزرگ» 🖥 دانشگاه استنفورد 👨🏻‍💻 کلاس درس دانشگاه استنفورد با عنوان «CME 295: ترنسفورمرها و مدل‌های زبان بزرگ» الان روی یوتیوب در دسترسه! ✏️ این درس رو دو برادر دوقلوی ایرانی، افشین و شروین امیدی، پاییز امسال تدریس می‌کنن و کل جلسات ضبط می‌شه و به مرور قرار می‌گیره. 📚 موضوعاتی که تو کلاس آموزش داده میشه: 🛑 ترنسفورمرها 🛑 مبانی مدل‌های زبان بزرگ 🛑 روش‌های آموزش و فاین‌تیون مدل‌ها 🛑 ارزیابی مدل‌ها 🛑 ترفندهای رایج و تکنیک‌های مهم 🛑 استدلال و استنتاج در مدل‌ها 🛑 ورک‌فلوهای ایجنت‌محور 💻 CME 295: Transformers & LLMs 💻 CME 295: Transformers & LLMs 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

👨🏻‍💻 همه از PyTorch استفاده می‌کنن، ولی فقط ۱٪ از مهندس‌های ML و AI به شکل حرفه‌ای ازش استفاده می‌کنن. ▶️ اینجا ۲۸ تا ترفند مهم و کاربردی رو لیست کردم که باعث می‌شن کارهات با PyTorch سریع‌تر، حرفه‌ای‌تر، و بهینه‌تر اجرا بشن. 🔢 ترفندهای کار با تانسورها دستور torch.einsum ⬅️ نوشتن محاسبات پیچیده با یک خط کد دستور torch.as_strided ⬅️ ساختن ویوهای پیشرفته روی تنسور دستور tensor.unfold ⬅️ ساختن ویو به صورت sliding window دستور torch.roll ⬅️ شیفت دادن چرخشی دستور In-place ops ⬅️ عملیات درجا و کم‌مصرف از نظر حافظه – مثال: x.add(5) ➖ ➖ ➖ 🔢 گرادیان و هوک‌ها دستور x.register_hook ⬅️ وصل‌کردن هوک به تنسور برای دیدن/دستکاری گرادیان‌ها دستور model.layer.register_forward_hook ⬅️ گرفتن activationهای هر لایه دستور Custom autograd.Function ⬅️ تعریف forward و backward سفارشی برای autograd ➖ ➖ ➖ 🔢 آموزش مدل دستور loss.backward (با انباشت/accumulation) ⬅️ ساختن batchهای مجازی بزرگ‌تر دستور torch.cuda.amp.autocast ⬅️ اجرای mixed precision برای سرعت بیشتر و مصرف حافظه کمتر دستور p.requires_grad = False ⬅️ فریز کردن لایه‌ها (عدم محاسبه‌ی گرادیان برای اون پارامتر) دستور optimizer.zero_grad(set_to_none=True) ⬅️ ریست کردن سریع‌تر گرادیان‌ها و کاهش ترافیک حافظه ➖ ➖ ➖ 🔢 کار با داده دستور torch.utils.data.Subset ⬅️ تکه‌تکه‌ کردن دیتاست دستور torch.utils.data.ConcatDataset ⬅️ ترکیب دیتاست‌ها دستور worker_init_fn ⬅️ مقداردهی اولیه‌ی workerهای DataLoader دستور pin_memory=True ⬅️ انتقال سریع‌تر دیتا از CPU به GPU (در CUDA) ➖ ➖ ➖ 🔢 دیباگ و مانیتورینگ دستور torch.autograd.set_detect_anomaly ⬅️ پیدا کردن NaN و خطاها در مرحله‌ی backward دستور torch.cuda.empty_cache ⬅️ خالی کردن کش GPU دستور torch.cuda.memory_summary ⬅️ گرفتن گزارش از وضعیت مصرف حافظه‌ی GPU ➖ ➖ ➖ 🔢 افزایش سرعت و عملکرد دستور torch.compile ⬅️ برای اجرای سریع‌تر مدل دستور torch.export ⬅️ آماده‌سازی مدل برای دیپلوی/استقرار دستور torch.utils.checkpoint.checkpoint ⬅️ کاهش مصرف حافظه هنگام … خواندن کامل ←

🎓 دوره «مقدمه‌ای بر یادگیری عمیق» 🖥 دانشگاه MIT 👨🏻‍💻 یکی از کامل‌ترین دوره‌های رایگان دیپ‌لرنینگی که تو یوتیوب وجود داره، همین دوره‌ است! اونم از دانشگاه MIT. ✏️ این پلی‌لیست بیش از ۸۰ تا ویدیو داره. از پایه‌ترین مفاهیم شروع می‌شه تا موضوعات خیلی به‌روز و پیشرفته هوش مصنوعی. ▶️ چندتا از ویدیوهای مهم دوره: 1⃣ مقدمه‌ای بر یادگیری عمیق 2⃣ شبکه‌های بازگشتی، ترنسفورمرها. 3⃣ شبکه‌های عصبی کانولوشن 4⃣ مدل‌های مولد عمیق 5⃣ یادگیری تقویتی و... ┌ 🆓 Introduction to DL └ 😉 Youtube Playlist 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

🎓 دوره «یادگیری عمیق برای بینایی کامپیوتر» 🖥 دانشگاه میشیگان آمریکا 👨🏻‍💻 این دوره ۲۲ تا جلسه داره و از پایه‌ترین مفاهیم شروع می‌کنه تا می‌رسه به شبکه‌های عصبی پیشرفته. ⬅️ طبقه بندی تصویر و مدل‌های پایه‌اش ⬅️ تکنیک‌های بهینه‌سازی ⬅️ شبکه‌های عصبی پیچشی و معماری‌هاش ⬅️ سخت‌افزار و نرم‌افزار مورد نیاز دیپ‌لرنینگ ⬅️ آموزش شبکه‌های عصبی (در دو بخش) ⬅️ شبکه‌های بازگشتی و مفاهیم پیشرفته‌تر ┌ 🆓 DL for Computer Vision └ 😉 Youtube Playlist 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

🎓 دوره جدید «ریاضیات یادگیری عمیق» 🖥 دانشگاه توبینگن آلمان 👨🏻‍💻 خیلی وقت‌ها دانشجوها ازم می‌پرسن: «اگه از صفر بخوام ریاضیات لازم برای یادگیری عمیق رو یاد بگیرم، از کجا باید شروع کنم؟» ✏️ من در جواب همیشه این پلی‌لیست رو معرفی می‌کنم: ویدیوهای مقدماتی ریاضیات پایه‌ی مورد نیاز یادگیری عمیق، از پروفسور آندریاس گایگر از دانشگاه توبینگن آلمان. ▶️ این آموزش‌ها بهت کمک می‌کنن مبانی ریاضی لازم یادگیری عمیق رو خوب بفهمی. خیلی وارد جزئیات سنگین نمی‌شه، اما دقیقاً به همون مباحثی می‌پردازه که قبل از ورود به موضوعات عمیق‌تر لازم داری. ⬅️ کل مجموعه حدود ۳.۵ ساعت آموزشه و مفاهیم مهمی مثل: جبر خطی، حساب دیفرانسیل، احتمال و نظریه اطلاعات رو خیلی ساده و قابل فهم توضیح می‌ده. ┌ 🆓 Math for Deep Learning └ 😉 Youtube Playlist 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

🖥 یادگیری تعاملی ترنسفورمرها 👨🏻‍💻 خیلی از ما فقط درباره‌ی ترنسفورمرها مطلب خوندیم یا ویدیو دیدیم، ولی واقعاً نفهمیدیم زیر پوست مدل چی می‌گذره . ✅ یکی از بهترین ابزارها برای دیدن نحوه‌ی کار ترنسفورمرها از نزدیک، ابزار Transformer Explainer هست. این ابزار بهت اجازه می‌ده خودت مدل رو لمس کنی، باهاش کار کنی و دقیق ببینی چطور تصمیم می‌گیره. 🌫 باهاش می‌تونی تو چند دقیقه: 🕡 نحوه‌ی توکن‌سازی، embedding و self-attention رو به‌صورت تصویری ببینی. 🕑 تولید توکن‌ها رو مرحله ‌به ‌مرحله دنبال کنی. 🕗 دمای مدل رو تغییر بدی و اثرش رو همون لحظه ببینی. 🕙 مسیر هر معادله رو از ورودی تا خروجی ردیابی کنی. 🕧 پرامپت خودتو وارد کنی و دقیق بررسی کنی چه اتفاقی می‌افته. ┌ 🥵 Transformer Explainer ├ 🌎 Website └ 🐱 GitHub-Repos 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa

👩🏻‍💻 برای یاد گرفتن NLP لازم نیست از همون اول بری سراغ مدل‌های زبان بزرگ. این چهار تا کتاب، تمام اون‌چه که برای یادگیری اصول تئوری و عملی لازم داری، پوشش داده. 🥇 کتاب Hands-On ML with TensorFlow & Keras ✏️ پایه‌ی یادگیری ماشینه. توش مفاهیم اصلی مثل رگرسیون، درخت تصمیم، SVM، شبکه‌های عصبی رو یاد می‌گیری. پروژه‌های عملی با TensorFlow و Keras هم داره. 🥈 کتاب Python NLP Cookbook ✏️ یه کتاب عملی برای یادگیری مبانی NLP. کار عملی با NLTK، spaCy، PyTorch و Hugging Face داره و پوشش خوبی از مدل‌های قدیمی‌تر مثل word2vec ،GloVe و FastText داره. 🥉 کتاب NLP with Transformers ✏️ این کتاب می‌ره سراغ مدل‌های مدرن مثل BERT و DistilBERT. از ساخت و بهینه‌سازی مدل‌ها تا تست و اجرای اون‌ها تو دنیای واقعی. همه مثال‌هاش گام‌به‌گامه و راحت می‌تونی باهاش پیش بری! 4️⃣ کتاب Hands-On LLMs ✏️ جدیدترین کتاب لیسته! یاد می‌گیری چطور یه مدل زبان بزرگ رو از صفر بسازی و بعد بفهمی چطور پرامپت بنویسی، از embeddingها استفاده کنی، RAG بسازی، ارزیابی کنی و حتی Agent طراحی کنی. در واقع پلیه بین نظریه و دنیای واقعی LLMها. 🌐 #یادگیری_عمیق #DeepLearning ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 🧠 مهندس یادگیری عمیق شوید : 🧠 @DeepLearning_fa