اپلیکیشن اندرویدی فلش‌کارت آموزشی مهندسی مدل‌های یادگیری عمیق برای کاربردهای عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی مدل‌های یادگیری عمیق برای کاربردهای عملی

موضوع کلی: هوش مصنوعی و علم داده

موضوع میانی: مهندسی یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی یادگیری عمیق
• 2. مبانی ریاضی یادگیری عمیق
• 3. جبر خطی در یادگیری عمیق
• 4. حساب دیفرانسیل و انتگرال برای یادگیری عمیق
• 5. آمار و احتمال برای یادگیری عمیق
• 6. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 7. تابع فعال‌سازی و نقش آن
• 8. انتشار رو به جلو و عقب
• 9. بهینه‌سازی مدل‌های یادگیری عمیق
• 10. گرادیان کاهشی و انواع آن
• 11. تنظیم‌کننده ها (Regularizers) در یادگیری عمیق
• 12. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 13. لایه های کانولوشن و پولینگ
• 14. کاربرد CNN در بینایی ماشین
• 15. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 16. حافظه کوتاه مدت و بلند مدت (LSTM)
• 17. کاربرد RNN در پردازش زبان طبیعی
• 18. شبکه‌های عصبی ترنسفورمر
• 19. مکانیسم توجه (Attention Mechanism)
• 20. مدل‌های زبانی بزرگ (LLMs)
• 21. مهندسی ویژگی (Feature Engineering)
• 22. انتخاب و استخراج ویژگی
• 23. مهندسی داده برای یادگیری عمیق
• 24. پاکسازی و پیش‌پردازش داده‌ها
• 25. افزایش داده (Data Augmentation)
• 26. مدل‌های پیش‌بینی سری زمانی
• 27. مدل‌های تشخیص تصویر
• 28. مدل‌های طبقه‌بندی متن
• 29. مدل‌های تولید متن
• 30. مدل‌های تشخیص اشیاء
• 31. مدل‌های بخش‌بندی تصویر (Segmentation)
• 32. مدل‌های پردازش سیگنال صوتی
• 33. مدل‌های تشخیص گفتار
• 34. مدل‌های تولید صدا
• 35. مقدمه‌ای بر مهندسی مدل
• 36. چرخه حیات مدل یادگیری عمیق
• 37. طراحی معماری مدل
• 38. انتخاب چارچوب یادگیری عمیق (TensorFlow, PyTorch)
• 39. پیاده‌سازی مدل
• 40. آموزش مدل
• 41. اعتبارسنجی و ارزیابی مدل
• 42. معیارهای ارزیابی مدل (دقت، صحت، بازیابی)
• 43. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 44. جستجوی شبکه‌ای (Grid Search)
• 45. جستجوی تصادفی (Random Search)
• 46. بهینه‌سازی بیزین (Bayesian Optimization)
• 47. یادگیری انتقالی (Transfer Learning)
• 48. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 49. کاربرد یادگیری انتقالی در بینایی ماشین
• 50. کاربرد یادگیری انتقالی در پردازش زبان طبیعی
• 51. یادگیری تقویتی (Reinforcement Learning)
• 52. عناصر یادگیری تقویتی
• 53. یادگیری بر اساس سیاست (Policy Gradients)
• 54. یادگیری بر اساس ارزش (Value-based Learning)
• 55. شبکه‌های مولد تخاصمی (GANs)
• 56. معماری GAN
• 57. کاربرد GAN در تولید تصویر
• 58. مدل‌های انتشار (Diffusion Models)
• 59. کاربرد مدل‌های انتشار در تولید تصویر
• 60. مدل‌های گراف عصبی (GNNs)
• 61. کاربرد GNN در تحلیل شبکه‌ها
• 62. استقرار مدل (Model Deployment)
• 63. محیط‌های استقرار مدل (On-premise, Cloud)
• 64. بهینه‌سازی مدل برای استقرار
• 65. تست و مانیتورینگ مدل در محیط عملیاتی
• 66. تفسیرپذیری مدل‌های یادگیری عمیق (Explainable AI)
• 67. روش‌های تفسیرپذیری (LIME, SHAP)
• 68. تضمین کیفیت مدل‌های یادگیری عمیق
• 69. امنیت در مدل‌های یادگیری عمیق
• 70. حریم خصوصی داده‌ها در یادگیری عمیق
• 71. اخلاق در یادگیری عمیق
• 72. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 73. ملاحظات حقوقی و مقرراتی هوش مصنوعی در ایران
• 74. مدل‌های پردازش زبان طبیعی پیشرفته
• 75. ترجمه ماشینی عصبی
• 76. خلاصه‌سازی متن خودکار
• 77. سیستم‌های پرسش و پاسخ
• 78. مدل‌های چندوجهی (Multimodal Models)
• 79. پردازش تصویر و زبان به طور همزمان
• 80. تولید شرح تصویر
• 81. کاربرد یادگیری عمیق در سلامت (با رعایت چارچوب رسمی)
• 82. تشخیص بیماری با تصویربرداری پزشکی
• 83. پیش‌بینی روند بیماری
• 84. کاربرد یادگیری عمیق در صنعت (با رعایت چارچوب رسمی)
• 85. بهینه‌سازی فرایندهای تولید
• 86. پیش‌بینی خرابی تجهیزات
• 87. کاربرد یادگیری عمیق در امور مالی (با رعایت چارچوب رسمی)
• 88. تحلیل ریسک اعتباری
• 89. شناسایی تقلب مالی
• 90. مباحث پیشرفته در معماری‌های عصبی
• 91. شبکه‌های مولد متخاصم پیشرفته
• 92. مدل‌های ترنسفورمر پیشرفته
• 93. مباحث نوین در بهینه‌سازی مدل
• 94. یادگیری فدرال (Federated Learning)
• 95. حفظ حریم خصوصی در یادگیری فدرال
• 96. یادگیری خودنظارتی (Self-supervised Learning)
• 97. کاربرد یادگیری خودنظارتی
• 98. آینده مهندسی یادگیری عمیق
• 99. روندهای تحقیقاتی جدید
• 100. چالش‌های پیش رو در مهندسی یادگیری عمیق