اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی شبکه‌های عصبی عمیق با PyTorch

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی عمیق با PyTorch

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. مقدمه‌ای بر شبکه‌های عصبی
• 5. تاریخچه شبکه‌های عصبی
• 6. کاربرد شبکه‌های عصبی
• 7. مقدمه‌ای بر PyTorch
• 8. نصب و راه‌اندازی PyTorch
• 9. تنسورها در PyTorch
• 10. عملیات پایه روی تنسورها
• 11. مقدمه‌ای بر اتوگِراد (Autograd)
• 12. محاسبه گرادیان با اتوگِراد
• 13. ماژول nn در PyTorch
• 14. لایه‌های شبکه‌های عصبی (Linear)
• 15. توابع فعال‌سازی (ReLU)
• 16. توابع فعال‌سازی (Sigmoid)
• 17. توابع فعال‌سازی (Tanh)
• 18. ساخت یک شبکه عصبی ساده
• 19. تابع زیان (Loss Function)
• 20. بهینه‌سازها (Optimizers)
• 21. بهینه‌سازی با SGD
• 22. بهینه‌سازی با Adam
• 23. آموزش یک مدل با PyTorch
• 24. مجموعه داده‌ها (Datasets)
• 25. بارگذاری داده‌ها با DataLoader
• 26. پیش‌پردازش داده‌ها
• 27. نرمال‌سازی داده‌ها
• 28. تقسیم داده‌ها به بخش‌های آموزش و تست
• 29. ارزیابی مدل
• 30. معیارهای ارزیابی (Accuracy)
• 31. معیارهای ارزیابی (Precision, Recall)
• 32. شبکه‌های عصبی کانولوشنال (CNN)
• 33. مبانی CNN
• 34. لایه‌های کانولوشنال
• 35. لایه‌های Pooling
• 36. ساخت یک CNN ساده
• 37. کاربرد CNN در بینایی ماشین
• 38. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 39. شبکه‌های عصبی بازگشتی (RNN)
• 40. مبانی RNN
• 41. لایه‌های RNN
• 42. کاربرد RNN در NLP
• 43. شبکه‌های حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 44. مبانی LSTM
• 45. لایه‌های LSTM
• 46. کاربرد LSTM در NLP
• 47. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 48. مبانی GRU
• 49. لایه‌های GRU
• 50. کاربرد GRU در NLP
• 51. ترنسفورمرها (Transformers)
• 52. مبانی ترنسفورمرها
• 53. مکانیزم توجه (Attention Mechanism)
• 54. کاربرد ترنسفورمرها در NLP
• 55. مدل‌های زبانی بزرگ (LLMs)
• 56. مقدمه‌ای بر مدل‌های زبانی بزرگ
• 57. معماری ترنسفورمر در LLMs
• 58. کاربرد LLMs
• 59. آموزش مدل‌های زبانی بزرگ
• 60. تنظیم دقیق (Fine-tuning) LLMs
• 61. یادگیری تقویتی (Reinforcement Learning)
• 62. مبانی یادگیری تقویتی
• 63. عامل (Agent) و محیط (Environment)
• 64. پاداش (Reward) و جریمه (Penalty)
• 65. سیاست (Policy)
• 66. تابع ارزش (Value Function)
• 67. یادگیری Q (Q-Learning)
• 68. یادگیری عمیق تقویتی (Deep RL)
• 69. کاربرد یادگیری تقویتی
• 70. مقدمه‌ای بر مدل‌های مولد (Generative Models)
• 71. شبکه‌های مولد تخاصمی (GANs)
• 72. مبانی GANs
• 73. مولد (Generator) و متمایزکننده (Discriminator)
• 74. آموزش GANs
• 75. کاربرد GANs
• 76. خودرمزگذارها (Autoencoders)
• 77. مبانی خودرمزگذارها
• 78. رمزگذار (Encoder) و رمزگشا (Decoder)
• 79. کاربرد خودرمزگذارها
• 80. یادگیری انتقالی (Transfer Learning)
• 81. مبانی یادگیری انتقالی
• 82. استفاده از مدل‌های از پیش آموزش‌دیده
• 83. کاربرد یادگیری انتقالی
• 84. مقدمه‌ای بر توضیح‌پذیری مدل‌های هوش مصنوعی (XAI)
• 85. تکنیک‌های XAI
• 86. تکنیک‌های LIME و SHAP
• 87. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 88. سوگیری در داده‌ها و مدل‌ها
• 89. عدالت و انصاف در هوش مصنوعی
• 90. حریم خصوصی و امنیت در هوش مصنوعی
• 91. مسئولیت‌پذیری در هوش مصنوعی
• 92. آینده هوش مصنوعی
• 93. کاربردهای پیشرفته هوش مصنوعی
• 94. هوش مصنوعی در صنعت
• 95. هوش مصنوعی در پزشکی
• 96. هوش مصنوعی در آموزش
• 97. هوش مصنوعی در امور مالی
• 98. هوش مصنوعی و رباتیک
• 99. مباحث تکمیلی در شبکه‌های عصبی
• 100. بهبود عملکرد مدل‌ها