اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی شبکه‌های عصبی و یادگیری عمیق برای پردازش داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی و یادگیری عمیق برای پردازش داده

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و داده
• 2. مفاهیم پایهٔ یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری با نظارت
• 5. رگرسیون خطی
• 6. رگرسیون لجستیک
• 7. ماشین‌های بردار پشتیبان (SVM)
• 8. درختان تصمیم
• 9. جنگل‌های تصادفی
• 10. تقویت‌کننده‌ها
• 11. یادگیری بدون نظارت
• 12. خوشه‌بندی K-Means
• 13. تحلیل مؤلفه‌های اصلی (PCA)
• 14. کاهش ابعاد
• 15. شبکه‌های عصبی مصنوعی (ANN)
• 16. نورون مصنوعی
• 17. توابع فعال‌سازی
• 18. ساختار شبکه‌های عصبی
• 19. پس‌انتشار خطا (Backpropagation)
• 20. آموزش شبکه‌های عصبی
• 21. بهینه‌سازی گرادیان نزولی
• 22. نرخ یادگیری
• 23. روش‌های بهینه‌سازی پیشرفته
• 24. Momentum
• 25. RMSprop
• 26. Adam
• 27. تنظیم پارامترها (Hyperparameter Tuning)
• 28. اعتبارسنجی متقابل (Cross-Validation)
• 29. تنظیم‌گری (Regularization)
• 30. L1 و L2 Regularization
• 31. Dropout
• 32. معماری‌های شبکه‌های عصبی عمیق
• 33. شبکه‌های عصبی کانولوشنال (CNN)
• 34. لایه‌های کانولوشن
• 35. لایه‌های pooling
• 36. کاربرد CNN در پردازش تصویر
• 37. شبکه‌های عصبی بازگشتی (RNN)
• 38. حافظه کوتاه‌مدت طولانی (LSTM)
• 39. واحد بازگشتی دروازه‌ای (GRU)
• 40. کاربرد RNN در پردازش زبان طبیعی
• 41. مهندسی ویژگی (Feature Engineering)
• 42. انتخاب ویژگی
• 43. ساخت ویژگی
• 44. پیش‌پردازش داده‌ها
• 45. نرمال‌سازی داده‌ها
• 46. استانداردسازی داده‌ها
• 47. مدیریت داده‌های از دست رفته
• 48. تشخیص و حذف داده‌های پرت
• 49. ارزیابی مدل‌های یادگیری ماشین
• 50. معیارهای ارزیابی رگرسیون
• 51. خطای میانگین مربعات (MSE)
• 52. خطای مطلق میانگین (MAE)
• 53. R-squared
• 54. معیارهای ارزیابی طبقه‌بندی
• 55. دقت (Accuracy)
• 56. صحت (Precision)
• 57. بازیابی (Recall)
• 58. امتیاز F1
• 59. ماتریس درهم‌ریختگی (Confusion Matrix)
• 60. تشخیص ناهنجاری (Anomaly Detection)
• 61. سیستم‌های توصیه‌گر (Recommender Systems)
• 62. فیلترینگ مشارکتی
• 63. فیلترینگ مبتنی بر محتوا
• 64. یادگیری عمیق و پردازش تصویر
• 65. تشخیص اشیاء
• 66. بخش‌بندی تصویر
• 67. تولید تصویر
• 68. یادگیری عمیق و پردازش زبان طبیعی
• 69. مدل‌های زبانی
• 70. ترجمه ماشینی
• 71. تولید متن
• 72. تحلیل احساسات
• 73. یادگیری تقویتی (Reinforcement Learning)
• 74. عناصر اصلی یادگیری تقویتی
• 75. تابع پاداش
• 76. سیاست (Policy)
• 77. تابع ارزش (Value Function)
• 78. یادگیری Q
• 79. یادگیری عمیق تقویتی
• 80. کاربردهای عملی یادگیری عمیق
• 81. یادگیری ماشینی در سلامت
• 82. یادگیری ماشینی در مالی
• 83. یادگیری ماشینی در صنعت
• 84. اخلاق در هوش مصنوعی
• 85. سوگیری در الگوریتم‌ها
• 86. حریم خصوصی داده‌ها
• 87. مسئولیت‌پذیری هوش مصنوعی
• 88. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 89. معماری‌های پیشرفته GNN
• 90. کاربرد GNN در شبکه‌های اجتماعی
• 91. مقدمه‌ای بر پردازش سیگنال با یادگیری عمیق
• 92. کاربرد یادگیری عمیق در صوت
• 93. شبکه‌های مولد تخاصمی (GAN)
• 94. کاربرد GAN در تولید محتوا
• 95. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 96. تنظیم دقیق مدل‌ها (Fine-tuning)
• 97. کاربرد یادگیری انتقالی در پردازش تصویر
• 98. مقدمه‌ای بر یادگیری خودنظارتی (Self-Supervised Learning)
• 99. مباحث پیشرفته در بهینه‌سازی
• 100. روش‌های پیشرفته تنظیم‌گری