دوره رایگان PyTorch

به ریپازیتوری دوره رایگان پایتورچ هوسم خوش آمدید! این دوره به شما کمک کند، مبانی فریمورک محبوب یادگیری عمیق پایتورچ را به سادگی بیاموزید. مطالب این دوره به‌صورت جلسات هفتگی کوتاه ارائه شده است. این دوره توسط آکادمی هوش مصنوعی هوسم تهیه شده است و می‌توانید ویدیوهای آموزشی آن را از اینجا ببینید.

فهرست مطالب دوره

هفته ۱: پایتورچ در نقش نامپای

در هفته اول، نحوه استفاده از تنسورهای پایتورچ به عنوان جایگزینی برای آرایه‌های نامپای را بررسی خواهیم کرد. آنچه خواهید آموخت:

• ساخت و دستکاری تنسورها
• عملیات پایه‌ای تنسور
• تبدیل بین تنسورهای پایتورچ و آرایه‌های نامپای

هفته ۲: رگرسیون خطی از پایه

این هفته بر پیاده‌سازی رگرسیون خطی از پایه با استفاده از تنسورهای پایتورچ تمرکز دارد. آنچه خواهید آموخت:

• فهم رگرسیون خطی
• پیاده‌سازی الگوریتم رگرسیون خطی
• آموزش مدل بدون استفاده از APIهای سطح بالای پایتورچ

هفته ۳: رگرسیون خطی با استفاده از APIهای سطح بالای پایتورچ

در این هفته، مدل رگرسیون خطی خود را با استفاده از APIهای سطح بالای پایتورچ توسعه خواهیم داد. چهار ماژول کلیدی را معرفی خواهیم کرد: torch.utils.data، torch.nn، torch.autograd، و torch.optim. شما یاد خواهید گرفت:

• فهم و استفاده از ماژول data برای مدیریت دیتاست‌ها
• پیاده‌سازی شبکه‌های عصبی با ماژول nn
• استفاده از ماژول autograd برای محاسبه خودکار مشتقات
• بهینه‌سازی پارامترهای مدل با استفاده از ماژول optim

هفته ۴: طبقه‌بندی با رگرسیون لجستیک

در هفته چهارم، به تسک طبقه‌بندی با رگرسیون لجستیک خواهیم پرداخت. آنچه خواهید آموخت:

• مبانی رگرسیون لجستیک
• پیاده‌سازی رگرسیون لجستیک از پایه
• آموزش و ارزیابی مدل

هفته ۵: طبقه‌بندی چندکلاسه

هفته آخر (فعلاً) به طبقه‌بندی چندکلاسه اختصاص دارد. آنچه خواهید آموخت:

• توسعه رگرسیون لجستیک به مسائل چندکلاسه
• پیاده‌سازی یک طبقه‌بند چندکلاسه
• ارزیابی عملکرد طبقه‌بندی چندکلاسه

ادامه خواهد داشت

با ما همراه باشید. این کورس ادامه دارد. :)

---

PyTorch Free Course

Welcome to the PyTorch Free Course repository! This course is designed to help you learn the basics of PyTorch, a popular deep learning framework, through a series of weekly lessons. Each week, we will cover a new topic, starting from basic tensor operations to more advanced machine learning models.

This course is produced by Howsam AI Academy, and you can find accompanying video lectures here.

Course Outline

Week 1: Torch as NumPy

In the first week, we will explore how to use PyTorch tensors as an alternative to NumPy arrays. You'll learn about:

• Creating and manipulating tensors
• Basic tensor operations
• Converting between PyTorch tensors and NumPy arrays

Week 2: Linear Regression from Scratch

This week focuses on implementing linear regression from scratch using PyTorch tensors. Key concepts include:

• Understanding linear regression
• Implementing the linear regression algorithm
• Training the model without using PyTorch's high-level APIs

Week 3: Linear Regression with High-Level PyTorch APIs

In this week, we will build on our linear regression model using PyTorch's high-level APIs. We will introduce four key modules: torch.utils.data, torch.nn, torch.autograd, and torch.optim. You will learn to:

• Understand and use the data module for handling datasets
• Implement neural networks with the nn module
• Leverage the autograd module for automatic differentiation
• Optimize model parameters using the optim module

Week 4: Classification with Logistic Regression

In week 4, we will move on to classification tasks, starting with logistic regression. You will learn:

• The basics of logistic regression
• Implementing logistic regression from scratch
• Training and evaluating the model

Week 5: Multiclass Classification

Our final week (for now) will cover multiclass classification. This includes:

• Extending logistic regression to multiclass problems
• Implementing a multiclass classifier
• Evaluating multiclass classification performance

To Be Continued

Stay tuned for more weeks as we continue to build on the concepts learned and explore more advanced topics in PyTorch and deep learning.