اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر محاسبات در مدل‌سازی مولد در یادگیری عمیق

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مقدمه‌ای بر محاسبات در مدل‌سازی مولد در یادگیری عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. مقدمه‌ای بر مدل‌سازی مولد
• 3. مقدمه‌ای بر محاسبات در یادگیری عمیق
• 4. مقدمه‌ای بر ریاضیات لازم (جبر خطی)
• 5. مقدمه‌ای بر ریاضیات لازم (حساب دیفرانسیل و انتگرال)
• 6. مقدمه‌ای بر ریاضیات لازم (نظریه احتمالات)
• 7. مقدمه‌ای بر ریاضیات لازم (آمار)
• 8. مفاهیم پایه شبکه‌های عصبی
• 9. تابع فعال‌سازی
• 10. پس‌انتشار خطا (Backpropagation)
• 11. بهینه‌سازی در یادگیری عمیق
• 12. گرادیان کاهشی (Gradient Descent)
• 13. انواع گرادیان کاهشی (SGD, Mini-batch GD, Batch GD)
• 14. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 15. تنظیم‌کننده‌ها (Regularization)
• 16. کاهش وزن (Weight Decay)
• 17. ضریب افت (Dropout)
• 18. نرمال‌سازی دسته‌ای (Batch Normalization)
• 19. مقدمه‌ای بر مدل‌های مولد
• 20. انواع مدل‌های مولد
• 21. مدل‌های مولد مبتنی بر چگالی (Density-based Generative Models)
• 22. مدل‌های مولد مبتنی بر تقلید (Imitative Generative Models)
• 23. مدل‌های مولد مبتنی بر تبدیل (Transformative Generative Models)
• 24. مدل‌های گرافیکی مولد (Generative Graphical Models)
• 25. مدل‌های مولد مبتنی بر شبکه‌های عصبی
• 26. شبکه‌های مولد تخاصمی (GANs)
• 27. معماری Generator در GANs
• 28. معماری Discriminator در GANs
• 29. تابع هزینه در GANs
• 30. آموزش GANs
• 31. چالش‌های آموزش GANs
• 32. انواع GANs (DCGAN, WGAN, StyleGAN, CycleGAN)
• 33. کاربردهای GANs
• 34. تولید تصاویر
• 35. تولید متن
• 36. تولید صدا
• 37. افزایش داده (Data Augmentation)
• 38. ترجمه تصویر به تصویر (Image-to-Image Translation)
• 39. تولید ویدئو
• 40. شبیه‌سازی
• 41. معرفی مدل‌های خودرمزگذار (Autoencoders)
• 42. معماری Autoencoder
• 43. کدگذاری (Encoding)
• 44. رمزگشایی (Decoding)
• 45. تابع هزینه در Autoencoders
• 46. انواع Autoencoders (Variational Autoencoders - VAEs)
• 47. معماری VAEs
• 48. نمونه‌برداری در VAEs
• 49. تابع هزینه در VAEs
• 50. آموزش VAEs
• 51. کاربردهای VAEs
• 52. کاهش ابعاد (Dimensionality Reduction)
• 53. تولید داده
• 54. حذف نویز (Denoising)
• 55. شناسایی ناهنجاری (Anomaly Detection)
• 56. معرفی مدل‌های مولد مبتنی بر جریان (Flow-based Generative Models)
• 57. تبدیلات معکوس‌پذیر (Invertible Transformations)
• 58. قانون تغییر متغیر (Law of Change of Variables)
• 59. معماری مدل‌های مبتنی بر جریان
• 60. توابع نرمال‌سازی افزایشی (Coupling Layers)
• 61. تابع هزینه در مدل‌های مبتنی بر جریان
• 62. آموزش مدل‌های مبتنی بر جریان
• 63. کاربردهای مدل‌های مبتنی بر جریان
• 64. تولید داده با چگالی دقیق
• 65. مدل‌سازی توزیع‌های پیچیده
• 66. معرفی مدل‌های مبتنی بر انتشار (Diffusion Models)
• 67. فرآیند انتشار مستقیم (Forward Diffusion Process)
• 68. فرآیند انتشار معکوس (Reverse Diffusion Process)
• 69. مدل‌سازی توزیع معکوس
• 70. تابع هزینه در مدل‌های مبتنی بر انتشار
• 71. آموزش مدل‌های مبتنی بر انتشار
• 72. کاربردهای مدل‌های مبتنی بر انتشار
• 73. تولید تصاویر با کیفیت بالا
• 74. تولید صدا
• 75. مدل‌سازی توزیع‌های پیچیده
• 76. مفاهیم پیشرفته در مدل‌سازی مولد
• 77. ارزیابی مدل‌های مولد
• 78. شاخص‌های ارزیابی (FID, IS, Precision, Recall)
• 79. تفسیرپذیری در مدل‌های مولد
• 80. تکنیک‌های نمونه‌برداری پیشرفته
• 81. نمونه‌برداری مبتنی بر MCMC
• 82. نمونه‌برداری مبتنی بر Variational Inference
• 83. نمونه‌برداری مبتنی بر Hamiltonian Monte Carlo
• 84. مقایسه مدل‌های مولد مختلف
• 85. GANs در مقابل VAEs
• 86. GANs در مقابل Diffusion Models
• 87. VAEs در مقابل Diffusion Models
• 88. پیاده‌سازی مدل‌های مولد با PyTorch
• 89. پیاده‌سازی GANs با PyTorch
• 90. پیاده‌سازی VAEs با PyTorch
• 91. پیاده‌سازی Diffusion Models با PyTorch
• 92. پیاده‌سازی مدل‌های مولد با TensorFlow
• 93. پیاده‌سازی GANs با TensorFlow
• 94. پیاده‌سازی VAEs با TensorFlow
• 95. پیاده‌سازی Diffusion Models با TensorFlow
• 96. کاربردهای پیشرفته مدل‌های مولد
• 97. تولید محتوای خلاقانه
• 98. تولید داده‌های پزشکی
• 99. تولید داده‌های علمی
• 100. تولید داده‌های مالی