حمّل مجاناً
دليل التعلم العميق في الإنتاج
من PyTorch إلى الإنتاج: MLOps والحاويات ونشر نماذج التعلم العميق.
عرض
أتقن PyTorch وTensorFlow والشبكات العصبية لبناء نماذج ذكاء اصطناعي عالية الأداء للإنتاج
الأهداف
- بناء وتدريب الشبكات العصبية باستخدام PyTorch وTensorFlow
- تنفيذ بنيات CNN وRNN وLSTM وTransformers
- تحسين المعلمات الفائقة ومنع التخصيص الزائد
- نشر النماذج في الإنتاج باستخدام MLOps
- تطبيق التعلم النقلي والضبط الدقيق
الجمهور المستهدف
- →علماء البيانات الراغبون في التخصص في التعلم العميق
- →مهندسو ML الراغبون في تعميق مهاراتهم
- →مطورو Python المهتمون بالذكاء الاصطناعي
- →الباحثون وطلاب الدكتوراه في علوم الحاسوب
- →مهندسو البيانات ومهندسو الذكاء الاصطناعي
المتطلبات المسبقة
أساسيات قوية في Python (البرمجة الكائنية). أساسيات الرياضيات (الجبر الخطي، الاحتمالات). يُوصى بخبرة في NumPy وPandas.
البرنامج التفصيلي
- •البيرسبترون ووظائف التنشيط والانتشار العكسي
- •مقدمة في PyTorch: التنسورات والتفاضل التلقائي والوحدات
- •TensorFlow/Keras: النماذج التسلسلية والوظيفية
- •الحوسبة على GPU مع CUDA
الأسئلة الشائعة
المتطلبات الأساسية
أساسيات قوية في Python (البرمجة الكائنية). أساسيات الرياضيات (الجبر الخطي، الاحتمالات). يُوصى بخبرة في NumPy وPandas.
الجمهور المستهدف
- →علماء البيانات الراغبون في التخصص في التعلم العميق
- →مهندسو ML الراغبون في تعميق مهاراتهم
- →مطورو Python المهتمون بالذكاء الاصطناعي
- →الباحثون وطلاب الدكتوراه في علوم الحاسوب
- →مهندسو البيانات ومهندسو الذكاء الاصطناعي
المنهج التفصيلي
الوحدة 1: أساسيات التعلم العميق
- →البيرسبترون ووظائف التنشيط والانتشار العكسي
- →مقدمة في PyTorch: التنسورات والتفاضل التلقائي والوحدات
- →TensorFlow/Keras: النماذج التسلسلية والوظيفية
- →الحوسبة على GPU مع CUDA
الوحدة 2: الرؤية الحاسوبية (CNN)
- →التلافيف والتجميع والبنيات الكلاسيكية (LeNet وVGG وResNet)
- →التعلم النقلي مع النماذج المدربة مسبقاً
- →اكتشاف الكائنات: YOLO وFaster R-CNN
- →تجزئة الصور والتطبيقات الصناعية
الوحدة 3: معالجة اللغة الطبيعية والتسلسلات
- →RNN وLSTM وGRU للسلاسل الزمنية
- →آلية الانتباه وبنية Transformer
- →BERT وGPT ونماذج اللغة المدربة مسبقاً
- →الضبط الدقيق لتصنيف النصوص وNER
الوحدة 4: MLOps والإنتاج
- →التجريب مع MLflow وWeights & Biases
- →حاويات النماذج (Docker وONNX)
- →النشر على السحابة (AWS SageMaker وGCP Vertex AI)
- →مراقبة النماذج واختبار A/B
الوحدة 5: المشروع العملي
- →تعريف مشكلة العمل وجمع البيانات
- →تدريب النموذج وتحسينه
- →النشر على واجهة برمجة تطبيقات REST
- →التوثيق وأفضل الممارسات
النتائج المتوقعة
بناء وتدريب الشبكات العصبية باستخدام PyTorch وTensorFlow
تنفيذ بنيات CNN وRNN وLSTM وTransformers
تحسين المعلمات الفائقة ومنع التخصيص الزائد
نشر النماذج في الإنتاج باستخدام MLOps
تطبيق التعلم النقلي والضبط الدقيق
Companies in داكار using this training
- Sonatel (Orange) - Awareness training for 500+ employees
- CBAO Attijariwafa Bank Group - Ongoing certification program
- Société Générale Senegal - Security audit and custom training
- CTIC Dakar startups - Monthly group training sessions
Regulatory Compliance
Law 2008-12 on personal data protection, CDP (Data Protection Commission), Senegal National Cybersecurity Strategy, APDP (Personal Data Protection Authority), UEMOA cybersecurity directive
FAQs
Ready to get started?
Next session in داكار
١٦ يونيو ٢٠٢٦