برچسب Jonathan Dinu

Oreilly – Spark, Ray, and Python for Scalable Data Science 2021-6

دوره Spark, Ray, and Python for Scalable Data Science. این دوره آموزشی به شما می‌آموزد چگونه با استفاده از اسپارک، ری و پایتون، پروژه‌های علم داده و یادگیری ماشین را در مقیاس بزرگ پیاده‌سازی کنید. با توجه به گسترش نیاز به تحلیل داده‌های حجیم، این دوره مفاهیم پایه‌ای و تمرین‌های عملی را برای تسلط بر ابزارهای محاسبات توزیع‌شده ارائه می‌دهد. ابتدا با مقدمه‌ای بر گردش کار علم داده و ضرورت استفاده از چارچوب‌هایی مانند اسپارک و ری آشنا می‌شوید. سپس مبانی سیستم‌های توزیع‌شده و نحوه عملکرد این ابزارها بررسی می‌شود. در ادامه، اسپارک به‌صورت عملی با مثال‌هایی مانند ساختار داده RDD و عملیات MapReduce آموزش داده می‌شود. همچنین، کاربرد اسپارک در پردازش زبان طبیعی (NLP) و تحلیل اکتشافی داده‌ها (EDA) در مقیاس بزرگ نشان داده می‌شود. در بخش مربوط به ری، تفاوت‌ها و شباهت‌های آن با اسپارک مقایسه شده و روش‌های توزیع توابع و اشیاء با استفاده از ری اکثرس شرح داده می‌شود. در نهایت، کاربرد ری در مقیاس‌بندی آموزش مدل‌های یادگیری ماشین، تنظیم هایپرپارامترها و استقرار مدل‌ها در محیط عملیاتی بررسی می‌شود. این دوره با ترکیب تئوری و عمل، مهارت‌های لازم برای مدیریت پروژه‌های داده در مقیاس‌های بزرگ را فراهم می‌کند.

Oreilly – Up and Running with PyTorch 2025-3

دوره Up and Running with PyTorch. این دوره به آموزش مبانی اولیه کار با PyTorch، یکی از چارچوب‌های قدرتمند یادگیری عمیق، می‌پردازد. ابتدا با معرفی PyTorch و نقش آن در تحقیقات یادگیری عمیق آغاز می‌شود، سپس مفاهیم پایه‌ای مانند تنسورها به عنوان بلوک‌های سازنده داده‌ها و نحوه کار با آن‌ها شرح داده می‌شود. همچنین، اهمیت گراف‌های محاسباتی و مکانیسم پس‌انتشار (backpropagation) با استفاده از ماژول torch.autograd آموزش داده می‌شود. یکی از بخش‌های کلیدی، بهینه‌سازی محاسبات با استفاده از GPU و معرفی الگوریتم‌های یادگیری مانند Gradient Descent و Stochastic Gradient Descent (SGD) است. در ادامه، با پیاده‌سازی یک مدل رگرسیون خطی ساده، مفاهیم به صورت عملی تمرین می‌شوند. سپس، ساختار پرسپترون‌ها و نورون‌ها به عنوان واحدهای اصلی شبکه‌های عصبی معرفی شده و با استفاده از ماژول torch.nn، یک شبکه عصبی چندلایه (MLP) ایجاد می‌شود. این دوره با مرور جامع مطالب ارائه‌شده به پایان می‌رسد و راه را برای یادگیری مدل‌های پیچیده‌تر هموار می‌کند.