اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی شبکه‌های عصبی و یادگیری عمیق با پایتون و تنسورفلو

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی و یادگیری عمیق با پایتون و تنسورفلو

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مروری بر پایتون برای علم داده
• 5. کتابخانه‌های کلیدی پایتون: NumPy و Pandas
• 6. آشنایی با تنسورفلو
• 7. مقدمه‌ای بر شبکه‌های عصبی
• 8. نورون مصنوعی و تابع فعال‌سازی
• 9. معماری پایه شبکه‌های عصبی
• 10. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 11. تابع هزینه و بهینه‌سازها
• 12. تنظیم ابرپارامترها
• 13. بیش‌برازش و کم‌برازش
• 14. روش‌های تنظیم (Regularization)
• 15. اعتبارسنجی متقابل (Cross-Validation)
• 16. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 17. شبکه‌های عصبی کانولوشنی (CNN)
• 18. لایه‌های کانولوشن و پولینگ
• 19. کاربرد CNN در پردازش تصویر
• 20. شبکه‌های عصبی بازگشتی (RNN)
• 21. حافظه کوتاه‌مدت طولانی (LSTM)
• 22. شبکه‌های عصبی ترنسفورمر
• 23. کاربرد RNN و LSTM در پردازش زبان طبیعی
• 24. یادگیری عمیق برای طبقه‌بندی تصاویر
• 25. یادگیری عمیق برای تشخیص اشیاء
• 26. یادگیری عمیق برای تولید متن
• 27. یادگیری عمیق برای ترجمه ماشینی
• 28. مقدمه‌ای بر یادگیری تقویتی
• 29. عوامل و محیط در یادگیری تقویتی
• 30. الگوریتم‌های یادگیری تقویتی پایه
• 31. یادگیری عمیق در یادگیری تقویتی
• 32. یادگیری عمیق برای بازی‌ها
• 33. مدل‌های مولد (Generative Models)
• 34. شبکه‌های مولد تخاصمی (GANs)
• 35. کاربرد GANs در تولید تصویر
• 36. کدهای تنسورفلو برای ساخت شبکه‌های عصبی
• 37. پیاده‌سازی CNN با تنسورفلو
• 38. پیاده‌سازی RNN با تنسورفلو
• 39. کار با داده‌های تصویری در تنسورفلو
• 40. کار با داده‌های متنی در تنسورفلو
• 41. آموزش مدل‌های یادگیری عمیق
• 42. ارزیابی عملکرد مدل‌ها
• 43. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 44. کاربرد هوش مصنوعی در صنعت
• 45. کاربرد هوش مصنوعی در پزشکی
• 46. کاربرد هوش مصنوعی در امور مالی
• 47. کاربرد هوش مصنوعی در حمل و نقل
• 48. ملاحظات اخلاقی در هوش مصنوعی
• 49. امنیت داده‌ها در یادگیری ماشین
• 50. حفظ حریم خصوصی در هوش مصنوعی
• 51. تفسیرپذیری مدل‌های یادگیری عمیق
• 52. شبکه‌های عصبی گراف (GNNs)
• 53. یادگیری انتقالی (Transfer Learning)
• 54. یادگیری نیمه‌نظارت شده (Semi-Supervised Learning)
• 55. یادگیری خودنظارت شده (Self-Supervised Learning)
• 56. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 57. مدل‌های زبانی (Language Models)
• 58. بازنمایی کلمات: Word Embeddings
• 59. شبکه‌های عصبی برای پردازش متن
• 60. استخراج اطلاعات از متن
• 61. خلاصه‌سازی متن با یادگیری عمیق
• 62. تحلیل احساسات با یادگیری عمیق
• 63. پردازش گفتار با یادگیری عمیق
• 64. بینایی ماشین و یادگیری عمیق
• 65. تشخیص چهره با یادگیری عمیق
• 66. تولید کپشن برای تصاویر
• 67. یادگیری عمیق برای سیستم‌های توصیه‌گر
• 68. مدل‌های مبتنی بر محتوا
• 69. مدل‌های مبتنی بر همکاری
• 70. ترکیب مدل‌ها در سیستم‌های توصیه‌گر
• 71. یادگیری عمیق برای تجزیه و تحلیل داده‌های سری زمانی
• 72. پیش‌بینی سری‌های زمانی
• 73. تشخیص ناهنجاری در سری‌های زمانی
• 74. کاربرد تنسورفلو برای داده‌های سری زمانی
• 75. یادگیری عمیق در رباتیک
• 76. کنترل ربات با یادگیری تقویتی
• 77. دید رباتیک با یادگیری عمیق
• 78. استقرار مدل‌های یادگیری عمیق
• 79. بهینه‌سازی مدل‌ها برای استقرار
• 80. مدل‌های سبک‌وزن برای دستگاه‌های لبه
• 81. کاربرد تنسورفلو لایت (TensorFlow Lite)
• 82. یادگیری فدرال (Federated Learning)
• 83. مزایا و چالش‌های یادگیری فدرال
• 84. مباحث پیشرفته در شبکه‌های عصبی
• 85. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
• 86. یادگیری عمیق قابل تفسیر (Interpretable Deep Learning)
• 87. یادگیری عمیق عادلانه (Fair Deep Learning)
• 88. مقدمه‌ای بر هوش مصنوعی عمومی (AGI)
• 89. چشم‌انداز آینده هوش مصنوعی
• 90. آموزش تخصصی با پایتون و تنسورفلو
• 91. پروژه‌های عملی یادگیری عمیق
• 92. کاربرد هوش مصنوعی در بهینه‌سازی فرآیندها
• 93. مقدمه‌ای بر شبکه‌های عصبی مولد پیشرفته
• 94. یادگیری تقویتی عمیق پیشرفته
• 95. کاربرد یادگیری عمیق در علوم زیستی
• 96. کاربرد هوش مصنوعی در معماری و شهرسازی
• 97. فراگیری دانش هوش مصنوعی در جامعه
• 98. یادگیری عمیق برای داده‌های ساختاریافته
• 99. شبکه‌های عصبی برای داده‌های غیرساختاریافته
• 100. مبانی ریاضی یادگیری عمیق