محتويات الدورة:
1. مقدمة الدورة
– فهم محتوى الدورة وأهداف التعلم.
2. تحليل مهام الشبكات العصبية
– تحليل المهام التي يجب أن تنجزها الشبكات العصبية، لوضع أساس للتعلم.
3. شرح طرق تحديث النموذج
– شرح طرق ومبادئ تحديث النموذج، وإتقان تقنيات تحسين النموذج.
4. طرق حساب دالة الخسارة
– تعلم طرق حساب دالة الخسارة، وفهم معايير تقييم أداء النموذج.
5. شرح عملية الانتشار الأمامي
– تحليل معمق لعملية ومبادئ الانتشار الأمامي في الشبكات العصبية.
6. عرض توضيحي للانتشار العكسي
– عرض عملي لعملية الانتشار العكسي، لتعميق الفهم وإتقان التقنيات.
7. تفكيك بنية الشبكة العصبية
– تحليل مفصل للبنية الكاملة للشبكة العصبية، وتوضيح وظائف وأدوار كل جزء.
8. تحليل مرئي للنتائج
– استخدام أدوات التصور لتحليل أداء الشبكة العصبية، وتحسين أداء النموذج.
9. دور عدد الخلايا العصبية
– مناقشة تأثير عدد الخلايا العصبية على أداء النموذج، وتحسين بنية الشبكة.
10. المعالجة المسبقة وdropout
– تعلم معالجة البيانات المسبقة وتقنية dropout، لتحسين قدرة تعميم النموذج.
11-25. الشبكات العصبية الالتفافية وتطبيقاتها
– تحليل تدريجي لمبادئ وتطبيقات الشبكات العصبية الالتفافية، لتنفيذ مهام معالجة الصور.
26-32. إطار PyTorch ومعالجة البيانات
– فهم عميق لإطار PyTorch وطرق معالجة البيانات، وبناء وتدريب النماذج.
33-45. تدريب نماذج التعلم العميق
– تعلم عملية وتقنيات تدريب نماذج التعلم العميق، لتحسين أداء النموذج.
46-60. معالجة وتدريب بيانات النصوص
– مناقشة تقنيات معالجة وتدريب بيانات النصوص، وتطبيقها في مهام معالجة اللغة الطبيعية.
61-69. نشر النموذج والخدمة
– تعلم نشر النماذج ومعالجة الخادم، وتحقيق تطبيق النماذج في السيناريوهات الفعلية.
70-76. نماذج محول الرؤية
– تحليل مبادئ وطرق تنفيذ نماذج محول الرؤية، وتطبيقها في معالجة الصور.
77. تصحيح شفرة المصدر للمشروع والتطبيق العملي
– عرض عملية تصحيح شفرة المصدر للمشروع، لمساعدة المتدربين على فهم وتطبيق المعرفة المكتسبة.