اپلیکیشن اندرویدی فلش‌کارت آموزشی جستجوی معماری عصبی پیشرفته (Neural Architecture Search - Part II)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جستجوی معماری عصبی پیشرفته (Neural Architecture Search - Part II)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: معماری شبکه‌های عصبی و بهینه‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر جستجوی معماری عصبی
• 2. تعریف مسئله جستجوی معماری عصبی
• 3. اهمیت جستجوی معماری عصبی
• 4. چالش‌های جستجوی معماری عصبی
• 5. طبقه‌بندی روش‌های جستجوی معماری عصبی
• 6. جستجوی معماری مبتنی بر تصادفی
• 7. جستجوی معماری مبتنی بر بهینه‌سازی
• 8. جستجوی معماری مبتنی بر یادگیری تقویتی
• 9. جستجوی معماری مبتنی بر گرادیان
• 10. جستجوی معماری مبتنی بر الگوریتم‌های تکاملی
• 11. جستجوی معماری مبتنی بر یادگیری انتقالی
• 12. جستجوی معماری مبتنی بر جستجوی مبتنی بر دانش
• 13. جستجوی معماری مبتنی بر جستجوی مبتنی بر تابع هزینه
• 14. جستجوی معماری مبتنی بر جستجوی مبتنی بر قابلیت اطمینان
• 15. جستجوی معماری مبتنی بر جستجوی مبتنی بر تعمیم‌پذیری
• 16. جستجوی معماری مبتنی بر جستجوی مبتنی بر کارایی
• 17. جستجوی معماری مبتنی بر جستجوی مبتنی بر مصرف انرژی
• 18. جستجوی معماری مبتنی بر جستجوی مبتنی بر حافظه
• 19. جستجوی معماری مبتنی بر جستجوی مبتنی بر زمان اجرا
• 20. جستجوی معماری مبتنی بر جستجوی مبتنی بر دقت
• 21. جستجوی معماری مبتنی بر جستجوی مبتنی بر محدودیت‌ها
• 22. معماری‌های شبکه‌های عصبی
• 23. شبکه‌های عصبی کانولوشنی (CNN)
• 24. شبکه‌های عصبی بازگشتی (RNN)
• 25. شبکه‌های عصبی ترنسفورمر
• 26. شبکه‌های عصبی گراف (GNN)
• 27. شبکه‌های عصبی مولد (GAN)
• 28. شبکه‌های عصبی خودرمزگذار (Autoencoder)
• 29. معماری‌های مدرن شبکه‌های عصبی
• 30. معماری‌های مرتبط با پردازش تصویر
• 31. معماری‌های مرتبط با پردازش زبان طبیعی
• 32. معماری‌های مرتبط با داده‌های سری زمانی
• 33. معماری‌های مرتبط با سیستم‌های توصیه‌گر
• 34. معماری‌های مرتبط با یادگیری عمیق در رباتیک
• 35. معماری‌های مرتبط با یادگیری عمیق در پزشکی
• 36. معماری‌های مرتبط با یادگیری عمیق در امور مالی
• 37. معماری‌های مرتبط با یادگیری عمیق در بازی‌ها
• 38. بهینه‌سازی شبکه‌های عصبی
• 39. روش‌های بهینه‌سازی مبتنی بر گرادیان
• 40. نزول گرادیان تصادفی (SGD)
• 41. Momentum
• 42. Adagrad
• 43. RMSprop
• 44. Adam
• 45. تنظیم نرخ یادگیری
• 46. توقف زودهنگام (Early Stopping)
• 47. تنظیم اندازه دسته‌ها (Batch Size)
• 48. تنظیم وزن‌ها (Weight Decay)
• 49. نرمال‌سازی دسته‌ای (Batch Normalization)
• 50. نرمال‌سازی لایه‌ای (Layer Normalization)
• 51. نرمال‌سازی گروهی (Group Normalization)
• 52. تنظیم پارامترهای هایپرپارامتر
• 53. روش‌های بهینه‌سازی بدون گرادیان
• 54. جستجوی تصادفی
• 55. الگوریتم‌های تکاملی
• 56. بهینه‌سازی مبتنی بر شبیه‌سازی تبرید (Simulated Annealing)
• 57. بهینه‌سازی مبتنی بر کلونی مورچگان (Ant Colony Optimization)
• 58. بهینه‌سازی مبتنی بر ازدحام ذرات (Particle Swarm Optimization)
• 59. جستجوی معماری عصبی پیشرفته
• 60. معرفی چارچوب‌های جستجوی معماری عصبی
• 61. TensorFlow Model Garden
• 62. PyTorch Hub
• 63. AutoKeras
• 64. Nemo
• 65. H2O.ai
• 66. OpenMMLab
• 67. انتخاب فضای جستجو
• 68. فضای جستجوی سلولی
• 69. فضای جستجوی عملیاتی
• 70. فضای جستجوی عملیاتی با پارامترهای متغیر
• 71. فضای جستجوی عملیاتی با اتصالات متغیر
• 72. فضای جستجوی معماری‌های دسته‌ای
• 73. فضای جستجوی معماری‌های سلسله مراتبی
• 74. فضای جستجوی معماری‌های ترکیبی
• 75. فضای جستجوی معماری‌های خودکار
• 76. تکنیک‌های ارزیابی مدل
• 77. ارزیابی مبتنی بر داده‌های اعتبارسنجی
• 78. ارزیابی مبتنی بر داده‌های تست
• 79. اعتبارسنجی متقابل (Cross-validation)
• 80. ارزیابی کارایی و سرعت
• 81. ارزیابی مصرف حافظه
• 82. ارزیابی مصرف انرژی
• 83. ارزیابی قابلیت اطمینان
• 84. ارزیابی مقاومت در برابر حملات
• 85. ارزیابی تعمیم‌پذیری به داده‌های جدید
• 86. بهبود فرآیند جستجو
• 87. کاهش هزینه جستجو
• 88. افزایش سرعت جستجو
• 89. استفاده از معماری‌های از پیش آموزش‌دیده
• 90. انتقال یادگیری در جستجوی معماری
• 91. استفاده از معماری‌های سبک
• 92. جستجوی معماری عصبی برای کاربردهای خاص
• 93. جستجوی معماری برای کاربردهای موبایل
• 94. جستجوی معماری برای کاربردهای دستگاه‌های تعبیه‌شده
• 95. جستجوی معماری برای کاربردهای پردازش بلادرنگ
• 96. جستجوی معماری برای کاربردهای کم‌مصرف
• 97. جستجوی معماری برای کاربردهای با دقت بالا
• 98. جستجوی معماری برای کاربردهای با داده‌های محدود
• 99. جستجوی معماری برای کاربردهای امنیتی
• 100. جستجوی معماری برای کاربردهای تشخیص تقلب