اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر شبکه‌های عصبی و کاربردهای آن‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر شبکه‌های عصبی و کاربردهای آن‌ها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مفاهیم کلیدی در یادگیری ماشین
• 5. پیش پردازش داده ها و مهندسی ویژگی
• 6. انواع داده ها و نحوه نمایش آنها
• 7. پاکسازی داده ها و مدیریت مقادیر گمشده
• 8. مقیاس بندی و نرمال سازی ویژگی ها
• 9. فرهنگ داده ها و اهمیت آن
• 10. مقدمه ای بر شبکه های عصبی مصنوعی
• 11. بیولوژی الهام بخش: نورون های بیولوژیکی
• 12. مدل نورون مصنوعی: پرسپترون
• 13. توابع فعال سازی و انواع آنها
• 14. شبکه های عصبی چند لایه (MLP)
• 15. پس انتشار خطا (Backpropagation)
• 16. بهینه سازی در شبکه های عصبی
• 17. گرادیان کاهشی و انواع آن
• 18. نرخ یادگیری و تنظیم آن
• 19. مومنتوم در بهینه سازی
• 20. تنظیم کننده ها (Regularization)
• 21. شبکه های عصبی کانولوشنی (CNN)
• 22. مفاهیم کانولوشن و pooling
• 23. لایه های CNN و معماری آنها
• 24. کاربردهای CNN در بینایی ماشین
• 25. شبکه های عصبی بازگشتی (RNN)
• 26. مفهوم بازگشت و حافظه در RNN
• 27. انواع RNN: LSTM و GRU
• 28. کاربردهای RNN در پردازش زبان طبیعی
• 29. شبکه های عصبی ترنسفورمر
• 30. مکانیسم توجه (Attention Mechanism)
• 31. معماری ترنسفورمر و مزایای آن
• 32. کاربردهای ترنسفورمر در NLP
• 33. یادگیری عمیق (Deep Learning)
• 34. مقایسه یادگیری عمیق با یادگیری ماشین سنتی
• 35. فریمورک های یادگیری عمیق: TensorFlow و PyTorch
• 36. مقدمه ای بر یادگیری تقویتی
• 37. عناصر یادگیری تقویتی: عامل، محیط، پاداش
• 38. روش های یادگیری تقویتی: Q-learning
• 39. یادگیری تقویتی مبتنی بر مدل
• 40. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 41. کاربردهای یادگیری تقویتی
• 42. شبکه های مولد تخاصمی (GAN)
• 43. معماری GAN: مولد و متمایز کننده
• 44. آموزش GAN و چالش های آن
• 45. کاربردهای GAN در تولید محتوا
• 46. مبانی پردازش زبان طبیعی (NLP)
• 47. توکنیزاسیون و نرمال سازی متن
• 48. مدل های زبانی و بردارهای کلمه (Word Embeddings)
• 49. شبکه های عصبی برای NLP
• 50. مدل های ترنسفورمر برای NLP
• 51. کاربردهای NLP: تحلیل احساسات، ترجمه ماشینی
• 52. بینایی ماشین (Computer Vision)
• 53. پردازش تصویر و استخراج ویژگی
• 54. شبکه های عصبی برای بینایی ماشین
• 55. تشخیص اشیاء و تقسیم بندی تصویر
• 56. کاربردهای بینایی ماشین
• 57. هوش مصنوعی در رباتیک
• 58. مسیریابی ربات ها
• 59. تشخیص محیط توسط ربات ها
• 60. یادگیری در رباتیک
• 61. کاربردهای هوش مصنوعی در پزشکی
• 62. تشخیص بیماری ها با یادگیری ماشین
• 63. توسعه دارو با هوش مصنوعی
• 64. ربات های جراح
• 65. هوش مصنوعی در امور مالی
• 66. پیش بینی بازار سهام
• 67. تشخیص تقلبات مالی
• 68. مدیریت پرتفوی
• 69. هوش مصنوعی در صنعت
• 70. بهینه سازی تولید
• 71. نگهداری پیش بینانه
• 72. رباتیک صنعتی
• 73. اخلاق در هوش مصنوعی
• 74. سوگیری در الگوریتم ها
• 75. حریم خصوصی و داده ها
• 76. مسئولیت پذیری در هوش مصنوعی
• 77. آینده هوش مصنوعی
• 78. هوش مصنوعی عمومی (AGI)
• 79. همزیستی انسان و هوش مصنوعی
• 80. قوانین و مقررات هوش مصنوعی
• 81. کاربرد شبکه های عصبی در داده کاوی
• 82. تکنیک های خوشه بندی با شبکه های عصبی
• 83. طبقه بندی با شبکه های عصبی
• 84. پیش بینی سری های زمانی با شبکه های عصبی
• 85. شبکه های عصبی گراف (GNN)
• 86. مبانی شبکه های عصبی گراف
• 87. کاربردهای GNN در تحلیل شبکه های اجتماعی
• 88. GNN در کشف دارو
• 89. شبکه های عصبی برای پردازش صدا
• 90. شناسایی گفتار
• 91. تولید گفتار
• 92. فشرده سازی صدا
• 93. مدل های اتوانکودر (Autoencoders)
• 94. کاربرد اتوانکودرها در کاهش ابعاد
• 95. اتوانکودرها برای تشخیص ناهنجاری
• 96. اتوانکودرها برای تولید داده
• 97. یادگیری انتقالی (Transfer Learning)
• 98. مفهوم یادگیری انتقالی
• 99. کاربرد یادگیری انتقالی در بینایی ماشین
• 100. یادگیری انتقالی در NLP