اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری ماشین و شبکه‌های عصبی عمیق در هوش مصنوعی فراگیر خودروهای خودران

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین و شبکه‌های عصبی عمیق در هوش مصنوعی فراگیر خودروهای خودران

موضوع کلی: خودروهای خودران و حمل و نقل هوشمند

موضوع میانی: هوش مصنوعی فراگیر (Ubiquitous AI)

📋 سرفصل‌های دوره

• 1. مقدمه به یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مقدمه به شبکه‌های عصبی
• 8. نورون‌های مصنوعی
• 9. توابع فعال‌سازی
• 10. معماری شبکه‌های عصبی
• 11. شبکه‌های عصبی پیشخور
• 12. شبکه‌های عصبی پسخور
• 13. پس‌انتشار خطا
• 14. بهینه‌سازی در شبکه‌های عصبی
• 15. گرادیان کاهشی
• 16. بهینه‌سازهای پیشرفته
• 17. منظم‌سازی در شبکه‌های عصبی
• 18. انواع منظم‌سازی
• 19. هایپرپارامترها
• 20. تنظیم هایپرپارامترها
• 21. ارزیابی مدل
• 22. معیارهای ارزیابی
• 23. مقدمه به هوش مصنوعی فراگیر
• 24. مفهوم فراگیری
• 25. کاربرد هوش مصنوعی در خودروهای خودران
• 26. معماری خودروی خودران
• 27. حسگرها در خودروهای خودران
• 28. پردازش داده‌های حسگر
• 29. دید کامپیوتری
• 30. شناسایی اشیاء
• 31. تفسیر صحنه
• 32. یادگیری عمیق برای دید کامپیوتری
• 33. شبکه‌های عصبی کانولوشنال (CNN)
• 34. معماری CNN
• 35. کاربرد CNN در شناسایی اشیاء
• 36. کاربرد CNN در بخش‌بندی تصویر
• 37. تشخیص اشیاء در زمان واقعی
• 38. یادگیری عمیق برای پردازش زبان طبیعی (NLP)
• 39. پردازش زبان طبیعی در خودروهای خودران
• 40. درک زبان طبیعی
• 41. تولید زبان طبیعی
• 42. شبکه‌های عصبی بازگشتی (RNN)
• 43. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 44. شبکه‌های حافظه کوتاه مدت (GRU)
• 45. کاربرد RNN/LSTM/GRU در خودروهای خودران
• 46. یادگیری عمیق برای تصمیم‌گیری
• 47. یادگیری تقویتی در خودروهای خودران
• 48. عوامل یادگیری تقویتی
• 49. محیط یادگیری تقویتی
• 50. تابع پاداش
• 51. الگوریتم‌های یادگیری تقویتی
• 52. DFS-Q
• 53. برنامه‌ریزی مسیر
• 54. کنترل خودرو
• 55. پیش‌بینی رفتار سایر وسایل نقلیه
• 56. مدل‌سازی راننده
• 57. شبیه‌سازی در خودروهای خودران
• 58. بستر شبیه‌سازی
• 59. ایجاد داده‌های آموزشی
• 60. روش‌های افزایش داده
• 61. یادگیری انتقالی
• 62. تنظیم دقیق مدل‌های پیش‌آموزش‌دیده
• 63. شبکه‌های مولد تخاصمی (GAN)
• 64. کاربرد GAN در خودروهای خودران
• 65. تولید داده‌های مصنوعی
• 66. تولید سناریوهای پیچیده
• 67. پردازش داده‌های lidar
• 68. پردازش داده‌های رادار
• 69. ادغام داده‌های حسگر
• 70. یادگیری ادغامی
• 71. معماری‌های یادگیری ادغامی
• 72. تفسیرپذیری مدل‌های یادگیری عمیق
• 73. تفسیرپذیری در خودروهای خودران
• 74. ارزیابی ایمنی
• 75. آزمایش و اعتبارسنجی
• 76. ناوبری خودمختار
• 77. سیستم‌های پیشرفته کمک راننده (ADAS)
• 78. حالت‌های مختلف خودران
• 79. چالش‌های پیاده‌سازی
• 80. ملاحظات اخلاقی
• 81. حریم خصوصی داده‌ها
• 82. مسئولیت‌پذیری
• 83. چالش‌های قانونی
• 84. استانداردسازی
• 85. آینده خودروهای خودران
• 86. خودروهای خودران و ارتباطات V2X
• 87. خودروهای خودران و شهرهای هوشمند
• 88. یادگیری ماشین روی دستگاه
• 89. یادگیری ماشین ابری
• 90. مقایسه یادگیری ماشین ابری و روی دستگاه
• 91. امنیت مدل‌های یادگیری عمیق
• 92. حملات خصمانه
• 93. روش‌های دفاع
• 94. تاثیر نویز بر مدل‌ها
• 95. پایداری مدل‌ها
• 96. ملاحظات اقتصادی
• 97. بازار خودروهای خودران
• 98. تاثیر بر اشتغال
• 99. روش‌های نوظهور در هوش مصنوعی
• 100. یادگیری چندوظیفه‌ای