همهٔ دوره‌ها رایگان · بدون حساب کاربری · در مرورگر شما

شبکه‌های عصبی: از نورون تا ترنسفورمر

شبکه‌های عصبی را خودتان بسازید، از یک نورون تا یک ترنسفورمر، سپس مدل‌های مولد، انتشار (diffusion)، قوانین مقیاس و نگاه به درون یک مدل، با پایتون ساده و NumPy، آموزش‌دیده در مرورگرتان. autograd خودتان را بنویسید، اجراهای خراب را عیب‌یابی کنید، ادعاها را با شواهد بسنجید و با یک پروژهٔ پایانی که می‌توانید دوباره اجرا کنید تمام کنید. رایگان، بدون حساب.

25 ماژول 246 درس 246 تمرین با نمره‌دهی خودکار با سرعت خودتان · حدود 143 ساعت محتوا آموزش در مرورگر شما، بدون نیاز به GPUمنحنی را پیش‌بینی کنید، سپس اجرایش کنید
پیشرفت شما ۰ / 246 تمرین تکمیل شده
هدف روزانه
ماژول 1 · 60 دقیقه

ماژول 0: خط شروع

خواهید توانست: بگویید دوره چگونه کار می‌کند و چه چیزی را می‌سنجد؛ پیش‌بینی کنید و آن را با یک اجرا بسنجید؛ امتیاز آغازین خود را روی چهار شاخص ثبت کنید؛ سرعت دستگاهتان را بر حسب FLOP اندازه بگیرید.

ماژول 2 · حدود 8 ساعت

ماژول 1: پایتون برای این دوره

خواهید توانست: تابع‌هایی روی فهرست‌ها و دیکشنری‌ها بنویسید و بیازمایید؛ به جای حلقه‌ها از آرایه‌ها، شکل‌ها، برش‌ها و پخش (broadcasting) در NumPy استفاده کنید؛ تصادفی بودن را به‌طور تکرارپذیر بذرگذاری کنید؛ کلاس‌ها و بستارهای کوچک بنویسید. با دروازهٔ پایتون بررسی می‌شود (از قبل مسلطید؟ اول آن را امتحان کنید: قبولی ماژول را رد می‌کند).

✓ 5 فهرست‌ها و حلقه‌ها روی دادهٔ واقعی تمرین 25 دقیقه نمایش ✓ 6 تابع‌هایی که می‌توانید بیازمایید تمرین 25 دقیقه نمایش ✓ 7 دیکشنری‌ها و شمردن تمرین 25 دقیقه نمایش ✓ 8 خواندن یک پیام خطا تمرین 25 دقیقه نمایش ✓ 9 آرایه‌های NumPy: چرا نه فهرست‌ها تمرین 10 دقیقه نمایش ✓ 10 شکل‌ها: ردیف‌ها، ستون‌ها، دسته‌ها تمرین 45 دقیقه نمایش ✓ 11 بریدن تکه‌هایی از یک تصویر تمرین 15 دقیقه نمایش ✓ 12 جایگزین کردن حلقه‌ها با ریاضی روی کل آرایه تمرین 20 دقیقه نمایش ✓ 13 اعداد تصادفی‌ای که می‌توانید تکرار کنید تمرین 15 دقیقه نمایش ✓ 14 میانگین، پراکندگی و نرمال‌سازی تمرین 20 دقیقه نمایش ✓ 15 رسم یک تابع تمرین 20 دقیقه نمایش ✓ 16 خواندن یک منحنی زیان تمرین 25 دقیقه نمایش ✓ 17 بارگذاری یک مجموعه‌دادهٔ کوچک تمرین 20 دقیقه نمایش ✓ 18 پیدا کردن بخش کند تمرین 20 دقیقه نمایش ✓ 19 شیءهایی که به یاد می‌آورند (کلاس‌ها و بستارها) تمرین 65 دقیقه نمایش ✓ 20 پروژهٔ کوچک: برازش یک خط با جابه‌جایی‌های کوچک تمرین 45 دقیقه نمایش ✓ 21 دروازه: پایتون برای این دوره (هوش مصنوعی خاموش) تمرین 55 دقیقه نمایش
مرحلهٔ 1 از 7 · لایهٔ شبکه خط شروع همهٔ 5 تمرین این مرحله را قبول شوید تا لایهٔ آن را به دست آورید.
ماژول 3 · حدود 7 ساعت

ماژول 2: ریاضی و احتمال، فقط به اندازهٔ نیاز

خواهید توانست: ضرب داخلی، ضرب ماتریسی و پخش را محاسبه کنید؛ شیب‌ها را با جابه‌جایی کوچک و با قاعدهٔ زنجیره‌ای، برای اعداد و برای ماتریس‌های کامل، پیدا کنید؛ توضیح دهید پراکندگی چگونه جمع می‌شود و یک مقدار ویژه چه می‌کند؛ گرادیان softmax را به دست آورید؛ log-sum-exp، softmax و آنتروپی متقاطعی بنویسید که هرگز سرریز نکنند (دروازه).

✓ 22 خانه‌ها به‌صورت فهرست‌هایی از اعداد (بردارها) تمرین 20 دقیقه نمایش ✓ 23 ضرب داخلی، و چرا یک نورون همان است تمرین 20 دقیقه نمایش ✓ 24 ضرب ماتریسی: یک لایهٔ کامل با هم تمرین 15 دقیقه نمایش ✓ 25 پخش: وقتی شکل‌ها کشیده می‌شوند تمرین 50 دقیقه نمایش ✓ 26 شیب‌ها با جابه‌جایی کوچک (مشتق‌ها) تمرین 10 دقیقه نمایش ✓ 27 انتقال یک جابه‌جایی در طول زنجیره (قاعدهٔ زنجیره‌ای) تمرین 25 دقیقه نمایش ✓ 28 چرا عقب‌گرد ارزان است (حالت معکوس) تمرین 20 دقیقه نمایش ✓ 29 گرادیان‌های ماتریس‌های کامل (قاعدهٔ شکل) تمرین 15 دقیقه نمایش ✓ 30 شانس، میانگین‌ها و پراکندگی تمرین 20 دقیقه نمایش ✓ 31 منحنی زنگوله‌ای (گاوسی‌ها) تمرین 20 دقیقه نمایش ✓ 32 پراکندگی چگونه جمع می‌شود، و یک ماتریس چه چیزی را می‌کشد تمرین 50 دقیقه نمایش ✓ 33 کدام حدس داده را بهتر توضیح می‌دهد (درست‌نمایی) تمرین 20 دقیقه نمایش ✓ 34 امتیازها به احتمال (softmax) تمرین 20 دقیقه نمایش ✓ 35 آنتروپی متقاطع همان درست‌نمایی در لباس مبدل است تمرین 20 دقیقه نمایش ✓ 36 گرادیان softmax، و چرا زیان آن را پنهان می‌کند تمرین 25 دقیقه نمایش ✓ 37 دو حدس چقدر متفاوت‌اند (واگرایی KL) تمرین 20 دقیقه نمایش ✓ 38 دروازه: ریاضی، در کد (هوش مصنوعی خاموش) تمرین 35 دقیقه نمایش
ماژول 4 · حدود 8 ساعت

ماژول 3: از نورون تا MLP

خواهید توانست: یک نورون، فعال‌سازی‌ها و یک شبکهٔ دولایه را در NumPy بسازید؛ پس‌انتشار را با دست به دست آورید و با یک بررسی‌کنندهٔ گرادیان بسنجید؛ یک خوانندهٔ رقم را به بیش از 95% برسانید؛ شبکهٔ خودتان را برای یک مجموعه‌دادهٔ تازه بسازید و آموزش دهید (دروازه).

ماژول 5 · حدود 8 ساعت

ماژول 4: موتور autograd خودتان

خواهید توانست: یک موتور autograd حالت معکوس بسازید (گراف، ترتیب توپولوژیک، قواعد رو به عقب، پخش، کاهش‌ها)؛ آن را با جابه‌جایی بسنجید؛ شبکه‌ای را بدون هیچ گرادیان دست‌نوشته‌ای روی آن آموزش دهید؛ به‌تنهایی یک عملیات تازه اضافه کنید (دروازه).

مرحلهٔ 2 از 7 · لایهٔ شبکه پایه‌ها همهٔ 3 تمرین این مرحله را قبول شوید تا لایهٔ آن را به دست آورید.
ماژول 6 · حدود 6 ساعت

ماژول 5: بهینه‌سازی

خواهید توانست: توضیح دهید چرا یک چشم‌انداز کشیده کند است؛ SGD با دستهٔ کوچک، تکانه، RMSProp، Adam و AdamW، زمان‌بندی‌ها و بریدن را بسازید؛ برای مسئله‌ای که ندیده‌اید، با یک بودجه، یک بهینه‌ساز انتخاب و تنظیم کنید (دروازه).

ماژول 7 · حدود 4 ساعت

ماژول 6: وزن‌های آغازین و نرمال‌سازی

خواهید توانست: سیگنال‌ها را در طول عمق بسنجید و مقیاس‌های Xavier، LeCun یا He را انتخاب کنید؛ واحدهای مرده را پیدا کنید؛ گذر رو به جلو و رو به عقب BatchNorm، LayerNorm و RMSNorm را بسازید؛ از دام آموزش/ارزیابی پرهیز کنید؛ در شبکه‌های عمیق از میان‌برها استفاده کنید.

ماژول 8 · حدود 4 ساعت

ماژول 7: کار روی دادهٔ تازه

خواهید توانست: بیش‌برازش و کم‌برازش، سوگیری و واریانس را بسنجید؛ از کاهش وزن، dropout، افزایش داده و توقف زودهنگام استفاده کنید؛ فرود دوگانه و منحنی‌های یادگیری را صادقانه بخوانید؛ مدلی را روی دادهٔ اعتبارسنجی تنظیم و روی دادهٔ کنار گذاشته‌شده گزارش کنید (دروازه).

ماژول 9 · حدود 4 ساعت

ماژول 8: کلینیک اجرا I

خواهید توانست: دو بررسی نخست را روی هر اجرای آموزش انجام دهید؛ کاوشگرهایی را انتخاب کنید که عیب‌های محتمل را از هم جدا کنند؛ اجراهای خراب را با یک تغییر کوچک، با یک بودجه، عیب‌یابی و درست کنید (دروازه)؛ عیب‌یابی‌های یک دستیار هوش مصنوعی را با شواهد بسنجید.

مرحلهٔ 3 از 7 · لایهٔ شبکه به کار انداختن آموزش همهٔ 40 تمرین این مرحله را قبول شوید تا لایهٔ آن را به دست آورید.
ماژول 11 · حدود 10 ساعت

ماژول 10: شبکه‌هایی که می‌بینند (CNNها)

خواهید توانست: کانولوشن، لایه‌گذاری، ادغام و گرادیان‌هایشان، و im2col را بسازید؛ CNNها را روی موتور دوره آموزش دهید؛ اجراهای ثبت‌شده را روی بذرها بخوانید؛ نقشهٔ برجستگی را در برابر یک خط پایه بیازمایید؛ از انتقال استفاده کنید؛ یک CNN را با بودجهٔ وزن طراحی کنید (دروازه).

✓ 111 چرا تصاویر MLPها را خراب می‌کنند تمرین 15 دقیقه نمایش ✓ 112 کانولوشن با دست تماشا 35 دقیقه نمایش ✓ 113 لایه‌گذاری، گام و ادغام تمرین 20 دقیقه نمایش ✓ 114 یک واحد چه مقدار از تصویر را می‌بیند تماشا 25 دقیقه نمایش ✓ 115 گذر رو به عقب کانولوشن تمرین 45 دقیقه نمایش ✓ 116 کانولوشن سریع: یک ضرب ماتریسی بزرگ (im2col) تماشا 40 دقیقه نمایش ✓ 117 چرا همان ریاضی می‌تواند چند برابر سریع‌تر اجرا شود تمرین 20 دقیقه نمایش ✓ 118 بیت‌های کمتر: float32، float16 و مقیاس‌دهی زیان تمرین 30 دقیقه نمایش ✓ 119 یک CNN کوچک روی رقم‌ها تمرین 75 دقیقه نمایش ✓ 120 شبکه‌های عمیق‌تر، و اجراهای ثبت‌شده تمرین 60 دقیقه نمایش ✓ 121 آنچه شبکه به آن نگاه می‌کند، آزموده‌شده تمرین 100 دقیقه نمایش ✓ 122 استفادهٔ دوباره از یک شبکهٔ آموزش‌دیده (یادگیری انتقالی) تمرین 65 دقیقه نمایش ✓ 123 بازگشت به بالا: افزایش نمونه و کانولوشن ترانهاده تمرین 35 دقیقه نمایش ✓ 124 دروازه: یک CNN برای یک کار تصویری تازه (هوش مصنوعی خاموش) تمرین 60 دقیقه نمایش
ماژول 12 · حدود 4 ساعت

ماژول 11: شبکه‌هایی با حافظه (RNNها)

خواهید توانست: یک RNN و یک مدل نویسه‌ای بسازید؛ پس‌انتشار در طول زمان را به دست آورید؛ گرادیان‌های محوشونده را بسنجید؛ دروازه‌های LSTM را بسازید؛ آزمایش‌های ثبت‌شدهٔ حافظه و گلوگاه را بخوانید؛ با دما نمونه بگیرید؛ یک مدل بازگشتی خراب را تعمیر کنید (دروازه).

ماژول 13 · حدود 6 ساعت

ماژول 12: واژه‌ها به‌صورت اعداد (تعبیه‌ها)

خواهید توانست: با یک تعبیه مثل یک جست‌وجو رفتار کنید؛ یک توکن‌ساز ادغام جفت‌ها بسازید؛ بردارهای واژه را با شمردن و با skip-gram بسازید؛ کجی‌ای را که کپی کرده‌اند بسنجید و حذف کنید؛ همهٔ این‌ها را به‌تنهایی روی دنیایی که ندیده‌اید انجام دهید (دروازه).

ماژول 14 · حدود 10 ساعت

ماژول 13: توجه و ترنسفورمرها

خواهید توانست: توجه، ماسک علّی، سرها، جایگاه‌ها، نرمال‌سازی لایه و یک بلوک کامل را که با یک مدل واقعی جور است بسازید؛ گذر رو به عقب توجه را به دست آورید؛ یک GPT کوچک آموزش دهید؛ اجراهای ثبت‌شده را بخوانید؛ با یک حافظهٔ نهان تولید کنید؛ موتورتان را بر PyTorch نگاشت کنید؛ یک ترنسفورمر خراب را تعمیر کنید (دروازه).

✓ 141 توجه یک جست‌وجوی نرم است تماشا 20 دقیقه نمایش ✓ 142 چرا بر ریشهٔ دوم d تقسیم کنیم تمرین 45 دقیقه نمایش ✓ 143 توجه گلوگاه را درست می‌کند تمرین 40 دقیقه نمایش ✓ 144 خودتوجهی: هر جایگاه از هر جایگاه دیگر می‌پرسد تمرین 20 دقیقه نمایش ✓ 145 ماسک علّی: بدون دزدکی نگاه کردن تماشا 45 دقیقه نمایش ✓ 146 گذر رو به عقب از طریق توجه تمرین 25 دقیقه نمایش ✓ 147 سرهای بسیار، همان هزینه تماشا 40 دقیقه نمایش ✓ 148 توجه هیچ حسی از ترتیب ندارد تمرین 50 دقیقه نمایش ✓ 149 جایگاه‌ها به‌صورت موج تمرین 50 دقیقه نمایش ✓ 150 نرمال‌سازی لایه: هر بردار را در محدوده نگه دارید تمرین 20 دقیقه نمایش ✓ 151 یک بلوک ترنسفورمر، با دست تماشا 60 دقیقه نمایش ✓ 152 پارامترها کجا هستند تمرین 10 دقیقه نمایش ✓ 153 یک GPT ریز را زنده آموزش دهید تمرین 25 دقیقه نمایش ✓ 154 مدل‌های پهن‌تر گام‌های کوچک‌تری می‌خواهند تمرین 60 دقیقه نمایش ✓ 155 سرها به چه نگاه می‌کنند تمرین 40 دقیقه نمایش ✓ 156 تولید سریع: حافظهٔ نهان کلید-مقدار تماشا 40 دقیقه نمایش ✓ 157 موتور شما، به زبان PyTorch تمرین 25 دقیقه نمایش ✓ 158 دروازه: یک ترنسفورمر خراب (هوش مصنوعی خاموش) تمرین 15 دقیقه نمایش
ماژول 15 · حدود 4 ساعت

ماژول 14: کلینیک اجرا II

خواهید توانست: مدل‌های دنباله‌ای خراب را عیب‌یابی کنید، از جمله تقلب‌هایی که عالی به نظر می‌رسند، توقف‌ها، اندازهٔ گام‌ها و عیب‌های نمونه‌گیری؛ اجراهای ثبت‌شدهٔ شکست‌خورده را بخوانید؛ یک دستیار هوش مصنوعی را با شواهد بسنجید؛ به‌تنهایی با یک بودجه عیب‌یابی کنید (دروازه)؛ آزمون پایانی خود را با آزمون پایه‌تان مقایسه کنید.

مرحلهٔ 4 از 7 · لایهٔ شبکه معماری‌هایی برای ساختار همهٔ 56 تمرین این مرحله را قبول شوید تا لایهٔ آن را به دست آورید.
ماژول 16 · حدود 5 ساعت

ماژول 15: فشردن، بازسازی، تولید (خودرمزگذارها و VAEها)

خواهید توانست: رقم‌ها را در چند عدد بفشارید و دوباره بسازید؛ با سنجش بگویید چرا یک خودرمزگذار نمی‌تواند رقم‌های تازه بسازد؛ KL میان دو منحنی زنگوله‌ای و ELBO را محاسبه کنید؛ به شکلی نمونه بگیرید که بتوانید از میانش آموزش دهید؛ VAEای آموزش دهید که رقم‌های تازه می‌سازد؛ میان رقم‌ها راه بروید؛ یک VAE فروریخته را به‌تنهایی عیب‌یابی و درست کنید (دروازه).

ماژول 17 · حدود 4 ساعت

ماژول 16: دو شبکه در یک بازی (GANها، اختیاری)

ماژول اختیاری، برای گواهی لازم نیست. خواهید توانست: زیان‌های GAN را بنویسید و از روی شیب‌هایشان بگویید کی زیان اشباع‌شونده متوقف می‌شود؛ یک GAN را روی هشت لکه آموزش دهید و پوششش را داوری کنید؛ فروپاشی حالت را ایجاد کنید؛ ترفندهای پایدارساز را روی بذرهای ثبت‌شده بیازمایید و گزارش دهید چه چیزی کمک کرد؛ یک مولد کانولوشنی را اجرا کنید؛ یک GAN خراب را به‌تنهایی نجات دهید (دروازه).

ماژول 18 · حدود 8 ساعت

ماژول 17: نویز وارد، تصویر خارج (انتشار)

خواهید توانست: نویز را با یک زمان‌بندی، گام به گام و در یک پرش، اضافه کنید؛ پیکان‌های شبکه را به سوی داده بخوانید؛ یک پیش‌بین نویز آموزش دهید؛ با DDPM نمونه بگیرید و بگویید چرا برآورد تمیز بریده می‌شود؛ زمان‌بندی‌های نویز و ورودی‌های زمان را با سنجش مقایسه کنید؛ یک U-Net بسازید؛ با DDIM در گام‌های کمتر نمونه بگیرید؛ نمونه‌ها را با هدایت بدون طبقه‌بند هدایت کنید؛ یک مدل آموزش‌دیده را تنظیم دقیق کنید؛ به‌تنهایی یک شکل تازه را برازش کنید (دروازه).

ماژول 19 · حدود 6 ساعت

ماژول 18: یادگیری بدون برچسب

خواهید توانست: ویژگی‌ها را با توافق نزدیک‌ترین همسایه و با یک کاوشگر خطی که خودتان می‌نویسید بسنجید؛ با پیش‌بینی ماسک‌دار پیش‌آموزش دهید؛ InfoNCE را بنویسید و بگویید چرا آنتروپی متقاطع است؛ با SimCLR پیش‌آموزش دهید و بخوانید افزایش‌های داده‌اش چه چیزی را تعیین می‌کنند؛ زیرنویس‌ها را با تصاویر جور کنید (اختیاری)؛ ویژگی‌ها را به‌تنهایی روی شیءهایی که مدل هرگز ندیده بیازمایید (دروازه).

مرحلهٔ 5 از 7 · لایهٔ شبکه شبکه‌هایی که چیز می‌سازند همهٔ 26 تمرین این مرحله را قبول شوید تا لایهٔ آن را به دست آورید.
ماژول 20 · حدود 5 ساعت

ماژول 19: بزرگ‌تر، و چقدر بهتر (قوانین مقیاس)

خواهید توانست: هزینهٔ یک اجرای آموزش را بر حسب FLOP حساب کنید؛ یک قانون توانی با کف و میله‌های خطا برازش کنید؛ بخوانید که آیا وزن‌ها یا داده یک اجرا را محدود می‌کنند؛ بهترین اندازهٔ مدل را برای یک بودجهٔ ثابت برنامه‌ریزی کنید؛ یک اجرای بزرگ‌تر را پیش‌بینی و بررسی کنید؛ یک جهش واقعی را از سنجه‌ای که جهش می‌سازد تشخیص دهید؛ به‌تنهایی یک اجرا را برنامه‌ریزی کنید (دروازه).

ماژول 21 · حدود 5 ساعت

ماژول 20: سازگار کردن ارزان یک مدل آموزش‌دیده

خواهید توانست: فراموشی فاجعه‌بار را نشان دهید؛ LoRA را بشمارید، بسازید و گرادیانش را بررسی کنید؛ رتبه‌اش را از روی سنجش‌ها انتخاب کنید؛ یک مدل را روی متن خودتان بدون خراب کردنش تنظیم دقیق کنید؛ بگویید کی تقطیر کمک می‌کند؛ وزن‌ها را کوانتیزه کنید و هزینه را پیش‌بینی کنید؛ ترجیح‌ها را با DPO تنظیم کنید و به‌موقع متوقف شوید؛ برای یک موقعیت روشی انتخاب کنید؛ به‌تنهایی با یک بودجه به یک هدف سازگاری برسید (دروازه).

ماژول 22 · حدود 8 ساعت

ماژول 21: نگاه به درون یک مدل

خواهید توانست: بگویید آیا شاهدی دربارهٔ درون یک مدل یک الگو، یک اثر یا یک سازوکار است؛ یک کاوشگر را با یک شاهد کنترلی اجرا کنید؛ فعال‌سازی‌ها را وصله کنید تا پیدا کنید اطلاعات کجاست؛ بخش‌هایی را حذف کنید و پشتیبان را بررسی کنید؛ یک سازوکار کتاب درسی را روی مدلی که پیش رویتان است بیازمایید؛ برهم‌نهی را در یک اسباب‌بازی نشان دهید؛ یک خودرمزگذار تُنُک آموزش دهید و برچسب یک ویژگی را روی متن ندیده بیازمایید؛ grokking را از اجراهای ثبت‌شده بخوانید و موج‌هایش را با حذفشان بررسی کنید؛ به‌تنهایی پیدا کنید اطلاعات روی ورودی‌های تازه کجاست (دروازه).

ماژول 23 · حدود 5 ساعت

ماژول 22: سنجیدن ادعاها

خواهید توانست: یک مجموعهٔ آزمون نشت‌کرده را با هم‌پوشانی پیدا کنید و امتیاز پاک را گزارش دهید؛ یک میانگین زیان را در طول بخشی که مهم است تقسیم کنید؛ بگویید حذف صفری و میانگینی چه فرقی دارند و روش را گزارش دهید؛ یک تفاوت تک‌بذری را از یک تفاوت سنجیده‌شده با خطاهای استاندارد تشخیص دهید؛ یک نتیجه را روی بذرهای تازه تکرار کنید و تنظیمی را پیدا کنید که در آن دیگر برقرار نیست؛ به‌تنهایی یک ادعا را بازبینی کنید (دروازه).

مرحلهٔ 6 از 7 · لایهٔ شبکه مقیاس و فهم همهٔ 36 تمرین این مرحله را قبول شوید تا لایهٔ آن را به دست آورید.
ماژول 24 · حدود 7 ساعت

ماژول 23: کارگاه پروژهٔ پایانی: یک کارت مدل که می‌توانید اجرایش کنید

خواهید توانست: یک پروژه را با یک بودجهٔ FLOP برنامه‌ریزی کنید؛ یک خط پایه را روی بذرها پیش‌بینی و اجرا کنید؛ تغییرها را با میله‌های خطا بسنجید؛ اشکالی را که همچنان آموزش می‌دهد با بررسی گرادیان پیدا کنید؛ یافته‌ای درون مدلتان را در برابر یک کنترل آموزش‌ندیده بسازید؛ یک بار روی یک مجموعهٔ پنهان با میله‌های خطا ارزیابی کنید؛ کارت مدلی بنویسید که هر عددش با گزارش اجرای شما جور است؛ یک فایل آفلاین خروجی بگیرید که اجراهایش بازپخش می‌شوند.

ماژول 25 · 50 دقیقه

ماژول 24: آزمون نهایی و آزمون دوباره

خواهید توانست: با هوش مصنوعی خاموش نشان دهید بخش 2 روی هر چهار شاخص چه آموخت (فرم C)؛ شاخص‌هایتان را از خط شروع تا پایان بخش 2 مقایسه کنید؛ یک ماه بعد بررسی کنید چه چیزی ماند (فرم D، اختیاری).

مرحلهٔ 7 از 7 · لایهٔ شبکه پروژهٔ پایانی و اثبات همهٔ 10 تمرین این مرحله را قبول شوید تا لایهٔ آن را به دست آورید.