پیشنیاز پیشنیاز خاصی لازم نیست؛ آشنایی پایه با کار با رایانه کافی است.
هدفهای یادگیری مفهوم «محاسبات Tensor و مشتقگیری خودکار» و ارتباط آن با شبکههای عصبی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Vectors, matrices, tensors and broadcasting موضوع فنی: Computational graphs and gradients موضوع فنی: Loss functions and chain rule موضوع فنی: Numerical precision and deterministic seeds موضوع فنی: Neural Networks specialization: Track-specific focus: Neural Networks. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز NumPy PyTorch tensors Jupyter
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «محاسبات Tensor و مشتقگیری خودکار» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «شبکههای عصبی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Vectors, matrices, tensors and broadcasting، موضوع فنی: Computational graphs and gradients، موضوع فنی: Loss functions and chain rule؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «محاسبات Tensor و مشتقگیری خودکار» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: اجزای پایه شبکه عصبی
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «اجزای پایه شبکه عصبی» و ارتباط آن با شبکههای عصبی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Linear layers, activations and initialization موضوع فنی: Loss functions for classification and regression موضوع فنی: Backpropagation and gradient descent موضوع فنی: Train/validation curves موضوع فنی: Neural Networks specialization: Track-specific focus: Neural Networks. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز PyTorch Matplotlib
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «اجزای پایه شبکه عصبی» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «شبکههای عصبی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Linear layers, activations and initialization، موضوع فنی: Loss functions for classification and regression، موضوع فنی: Backpropagation and gradient descent؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «اجزای پایه شبکه عصبی» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: بهینهسازی و پایداری آموزش
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «بهینهسازی و پایداری آموزش» و ارتباط آن با شبکههای عصبی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: SGD, momentum and adaptive optimizers موضوع فنی: Learning-rate schedules and warmup موضوع فنی: Normalization, dropout and weight decay موضوع فنی: Gradient clipping and exploding/vanishing gradients موضوع فنی: Neural Networks specialization: Track-specific focus: Neural Networks. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز PyTorch optimizers TensorBoard
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «بهینهسازی و پایداری آموزش» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «شبکههای عصبی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: SGD, momentum and adaptive optimizers، موضوع فنی: Learning-rate schedules and warmup، موضوع فنی: Normalization, dropout and weight decay؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «بهینهسازی و پایداری آموزش» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: معماریهای کانولوشنی و توالی
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «معماریهای کانولوشنی و توالی» و ارتباط آن با شبکههای عصبی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: CNN blocks and receptive fields موضوع فنی: RNN/LSTM concepts and sequence batching موضوع فنی: Attention and Transformer blocks موضوع فنی: Inductive bias and compute budget موضوع فنی: Neural Networks specialization: Track-specific focus: Neural Networks. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز PyTorch torchvision Transformers
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «معماریهای کانولوشنی و توالی» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «شبکههای عصبی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: CNN blocks and receptive fields، موضوع فنی: RNN/LSTM concepts and sequence batching، موضوع فنی: Attention and Transformer blocks؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «معماریهای کانولوشنی و توالی» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: خط لوله داده و آزمایشهای مقیاسپذیر
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «خط لوله داده و آزمایشهای مقیاسپذیر» و ارتباط آن با شبکههای عصبی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Dataset versioning and leakage controls موضوع فنی: DataLoader, caching and augmentation موضوع فنی: Mixed precision and GPU memory موضوع فنی: Checkpointing and experiment metadata موضوع فنی: Neural Networks specialization: Track-specific focus: Neural Networks. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز PyTorch DataLoader DVC concepts MLflow
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «خط لوله داده و آزمایشهای مقیاسپذیر» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «شبکههای عصبی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Dataset versioning and leakage controls، موضوع فنی: DataLoader, caching and augmentation، موضوع فنی: Mixed precision and GPU memory؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «خط لوله داده و آزمایشهای مقیاسپذیر» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: معماری پیشرفته و یادگیری انتقالی
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «معماری پیشرفته و یادگیری انتقالی» و ارتباط آن با شبکههای عصبی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Transfer learning and fine-tuning strategies موضوع فنی: Self-supervised and representation learning concepts موضوع فنی: Parameter-efficient adaptation موضوع فنی: Ensembling and uncertainty basics موضوع فنی: Neural Networks specialization: Track-specific focus: Neural Networks. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز PyTorch Hugging Face ONNX
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «معماری پیشرفته و یادگیری انتقالی» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «شبکههای عصبی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Transfer learning and fine-tuning strategies، موضوع فنی: Self-supervised and representation learning concepts، موضوع فنی: Parameter-efficient adaptation؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «معماری پیشرفته و یادگیری انتقالی» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: ارزیابی، تفسیرپذیری و استقرار
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «ارزیابی، تفسیرپذیری و استقرار» و ارتباط آن با شبکههای عصبی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Calibration and subgroup analysis موضوع فنی: Explainability and attribution limits موضوع فنی: Model export and inference optimization موضوع فنی: Drift and feedback monitoring موضوع فنی: Neural Networks specialization: Track-specific focus: Neural Networks. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز Captum ONNX Runtime FastAPI
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «ارزیابی، تفسیرپذیری و استقرار» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «شبکههای عصبی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Calibration and subgroup analysis، موضوع فنی: Explainability and attribution limits، موضوع فنی: Model export and inference optimization؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «ارزیابی، تفسیرپذیری و استقرار» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
مرحله بعدی: پروژه نهایی راهکار یادگیری عمیق
✓ این مرحله را تکمیل کردم
پیشنیاز تکمیل مرحله قبلی و تسلط بر خروجیهای آن، بههمراه محیط تمرینی آماده.
هدفهای یادگیری مفهوم «پروژه نهایی راهکار یادگیری عمیق» و ارتباط آن با شبکههای عصبی را توضیح بدهی. موضوعات فنی این مرحله را در یک محیط کنترلشده اجرا و اعتبارسنجی کنی. نتیجه، خطاها، محدودیتها و تصمیمهای فنی را مستند کنی.
موضوعاتی که باید یاد بگیری موضوع فنی: Problem framing and baseline موضوع فنی: Experiment design and model selection موضوع فنی: Testing, performance and risk assessment موضوع فنی: Portfolio communication موضوع فنی: Neural Networks specialization: Track-specific focus: Neural Networks. Use the tools and standards named in this path; avoid treating this route as a generic overview of Artificial Intelligence.
ابزارهای موردنیاز PyTorch Git Experiment tracker
تمرین عملی در یک محیط آزمایشگاهی یا پروژه محلی، یک سناریوی واقعی از «پروژه نهایی راهکار یادگیری عمیق» را اجرا کن. ورودیها، خروجیها و حالتهای خطا را ثبت کن و نتیجه را با معیارهای همین مرحله مقایسه کن.
پروژه پیشنهادی پروژه این گام باید یک خروجی قابل اجرا در حوزه «شبکههای عصبی» باشد و دستکم این موضوعات را پوشش دهد: موضوع فنی: Problem framing and baseline، موضوع فنی: Experiment design and model selection، موضوع فنی: Testing, performance and risk assessment؛ راهنمای اجرا و شواهد نتیجه را نیز همراه آن ارائه کن.
منابع یادگیری معیار اتمام مرحله معیار اتمام: بتوانی مفاهیم «پروژه نهایی راهکار یادگیری عمیق» را مستقل اجرا کنی، نتیجه را با داده یا آزمون بررسی کنی و محدودیتهای آن را توضیح بدهی.
پایان نقشه: پروژه نهایی را تکمیل کن و نمونهکارت را بساز.
✓ این مرحله را تکمیل کردم