آموزش یادگیری پیوسته – ارزیابی مدل، سناریوها و چالش‌های اصلی در Continual Learning – پیش ثبت نام

آموزش یادگیری پیوسته – ارزیابی مدل، سناریوها و چالش‌های اصلی در Continual Learning – پیش ثبت نام

در این آموزش با مبانی، سناریوها، روش‌های ارزیابی و پیاده‌سازی یادگیری پیوسته در مدل‌های مختلف هوش مصنوعی آشنا خواهیم شد.

توضیحات کامل دوره

در این فرادرس چه چیزی یاد می‌گیریم؟ در این آموزش ابتدا با مفاهیم و چالش‌های اصلی یادگیری پیوسته، تفاوت یادگیری سنتی، Incremental Learning و Continual Learning و سناریوهای مختلف آن آشنا می...

در این فرادرس چه چیزی یاد می‌گیریم؟

در این آموزش ابتدا با مفاهیم و چالش‌های اصلی یادگیری پیوسته، تفاوت یادگیری سنتی، Incremental Learning و Continual Learning و سناریوهای مختلف آن آشنا می‌شویم. سپس نحوه ارزیابی مدل‌های یادگیری پیوسته و طراحی سناریوهای آزمایشی را بررسی می‌کنیم و به‌ صورت عمیق‌تر به Class-Incremental Learning ،Replay ،Knowledge Distillation و مدیریت Memory می‌پردازیم. در ادامه کاربرد Continual Learning در Deep Learning ،Vision ،Graph Neural Networks ،LLMها و Foundation Models بررسی شده و در نهایت با رویکردی مفهومی و عملی، یک سیستم Continual Learning را با Python پیاده‌سازی و نتایج آن را تحلیل می‌کنیم. این آموزش به مفهوم یادگیری پیوسته (Continual Learning) می‌پردازد؛ رویکردی در هوش مصنوعی که به مدل‌ها امکان می‌دهد پس از آموزش اولیه، با دریافت داده‌ها و وظایف جدید به‌صورت مستمر یاد بگیرند، بدون اینکه آموخته‌های قبلی خود را به‌سادگی از دست بدهند. در این آموزش، مفاهیم و چالش‌های اصلی یادگیری پیوسته و سناریوهایی مانند Task-Incremental ،Class-Incremental و Domain-Incremental Learning بررسی می‌شوند.

یادگیری پیوسته Continual Learning چیست؟

یادگیری پیوسته (Continual Learning) رویکردی در یادگیری ماشین است که به مدل امکان می‌دهد با دریافت داده‌ها و وظایف جدید، به‌ صورت مستمر یاد بگیرد و دانش قبلی خود را حفظ کند. برخلاف آموزش سنتی که معمولا با یک مجموعه‌داده ثابت انجام می‌شود، در یادگیری پیوسته مدل باید با تغییرات و اطلاعات جدید سازگار شود. جلوگیری از فراموشی فاجعه‌بار (Catastrophic Forgetting)، یادگیری تدریجی و حفظ دانش قبلی از چالش‌های اصلی این رویکرد هستند.

اهمیت شناخت یادگیری پیوسته Continual Learning چیست؟

یادگیری پیوسته برای توسعه سیستم‌های هوشمندی که در محیط‌های پویا و در حال تغییر فعالیت می‌کنند اهمیت زیادی دارد. این رویکرد در کاربردهایی مانند رباتیک، خودروهای خودران، تشخیص الگو، پردازش زبان طبیعی، بینایی ماشین و سیستم‌های توصیه‌گر مورد استفاده قرار می‌گیرد. همچنین آشنایی با چالش‌هایی مانند Catastrophic Forgetting به طراحی سیستم‌های هوش مصنوعی قادر به یادگیری مداوم و سازگاری با اطلاعات جدید کمک می‌کند.

  • فصل یکم: مقدمه و مبانی یادگیری پیوسته
    • درس ۱: یادگیری پیوسته چیست و چرا اهمیت دارد؟
    • درس ۲: تفاوت یادگیری سنتی، یادگیری افزایشی (Incremental Learning) و یادگیری پیوسته (Continual Learning)
    • درس ۳: سناریوهای یادگیری پیوسته
    • درس ۴: معرفی Task-Incremental ،Class-Incremental و Domain-Incremental Learning
    • درس ۵: چالش‌های اصلی در یادگیری پیوسته
  • فصل دوم: ارزیابی مدل‌های یادگیری پیوسته
    • درس ۶: چرا ارزیابی در Continual Learning متفاوت است؟
    • درس ۷: معیارهای ارزیابی یادگیری قدیم و جدید
    • درس ۸: طراحی Benchmark برای Continual Learning
    • درس ۹: پیاده‌سازی سناریوی آزمایشی با Python
  • فصل سوم: Class-Incremental Learning
    • درس ۱۰: مفهوم Class-Incremental Learning
    • درس ۱۱: چالش یادگیری کلاس‌های جدید
    • درس ۱۲: حفظ کلاس‌های قدیمی
    • درس ۱۳: Classifier Bias
    • درس ۱۴: Replay در Class-Incremental Learning
    • درس ۱۵: Knowledge Distillation در CIL
    • درس ۱۶: مدیریت Memory در CIL
    • درس ۱۷: پیاده‌سازی یک سیستم Class-Incremental
  • فصل چهارم: Continual Learning در Deep Learning و Vision
    • درس ۱۸: Continual Learning با شبکه‌های عصبی عمیق
    • درس ۱۹: Continual Image Classification
    • درس ۲۰: Continual Representation Learning
    • درس ۲۱: Feature Drift در طول یادگیری
    • درس ۲۲: Replay و Feature Replay
    • درس ۲۳: Self-Supervised Continual Learning
    • درس ۲۴: Continual Learning با Transformerها
  • فصل پنجم: Continual Learning در Graph Neural Networks
    • درس ۲۵: چرا Continual Learning در گراف‌ها اهمیت دارد؟
    • درس ۲۶: Dynamic Graph و Evolving Graph
    • درس ۲۷: Node-Incremental Learning
    • درس ۲۸: Edge-Incremental Learning
    • درس ۲۹: Continual Node Classification
    • درس ۳۰: جلوگیری از فراموشی در GNNها
    • درس ۳۱: Continual Graph Representation Learning
    • درس ۳۲: Continual Graph Clustering
    • درس ۳۳: پیاده‌سازی یک مسئله Continual Graph Learning در Python
  • فصل ششم: Continual Learning برای LLMها و Foundation Models
    • درس ۳۴: چرا LLMها به Continual Learning نیاز دارند؟
    • درس ۳۵: Knowledge Updating در LLMها
    • درس ۳۶: Catastrophic Forgetting در LLMها
    • درس ۳۷: Continual Pretraining
    • درس ۳۸: Incremental Fine-Tuning
    • درس ۳۹: Replay برای LLMها
    • درس ۴۰: Knowledge Distillation برای LLMها
    • درس ۴۱: Parameter-Efficient Continual Learning
  • فصل هفتم: پروژه نهایی — ساخت سیستم Continual Learning
    • درس ۴۲: تعریف مسئله و طراحی سناریوی یادگیری
    • درس ۴۳: آماده‌سازی Dataset و ایجاد Taskهای متوالی
    • درس ۴۴: پیاده‌سازی مدل
    • درس ۴۵: پیاده‌سازی Replay
    • درس ۴۶: اضافه‌کردن Knowledge Distillation
    • درس ۴۷: تحلیل نتایج و Visualization
  • فصل هشتم: راهنمایی ادامه مسیر
    • درس ۴۸: جمع‌بندی و ادامه یادگیری

سرفصل‌های دوره

این دوره سرفصلی ندارد

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

1 تومان

این دوره شامل:
0:0:0 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:19:25
تعداد امتیازها: 0
تعداد دانشجو: 0
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: