اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی شبکه‌های عصبی و روش‌های تنظیم مدل برای کاربردهای عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی و روش‌های تنظیم مدل برای کاربردهای عملی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 3. ساختار و اجزای یک نورون مصنوعی
• 4. توابع فعال‌سازی در شبکه‌های عصبی
• 5. لایه ورودی، لایه‌های پنهان و لایه خروجی
• 6. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 7. یادگیری نظارت شده و بدون نظارت
• 8. معرفی الگوریتم پس‌انتشار خطا (Backpropagation)
• 9. گرادیان کاهشی (Gradient Descent) و انواع آن
• 10. تنظیم نرخ یادگیری (Learning Rate)
• 11. تابع هزینه (Cost Function) و اهمیت آن
• 12. بهینه‌سازی توابع هزینه
• 13. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 14. آموزش شبکه‌های عصبی عمیق
• 15. معرفی یادگیری عمیق (Deep Learning)
• 16. معماری‌های کلیدی در یادگیری عمیق
• 17. شبکه‌های عصبی کانولوشنی (CNN)
• 18. مفاهیم کانولوشن و پولینگ در CNN
• 19. کاربردهای CNN در بینایی ماشین
• 20. شبکه‌های عصبی بازگشتی (RNN)
• 21. مفهوم حافظه در RNN
• 22. کاربردهای RNN در پردازش زبان طبیعی
• 23. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 24. شبکه‌های واحد بازگشتی (GRU)
• 25. مقدمه‌ای بر تنظیم مدل (Model Regularization)
• 26. چرا تنظیم مدل ضروری است؟
• 27. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 28. روش‌های تشخیص بیش‌برازش
• 29. تنظیم L1 و L2 (Ridge و Lasso Regression)
• 30. کاهش وزن (Weight Decay)
• 31. رهاسازی (Dropout) و نحوه عملکرد آن
• 32. افزایش داده (Data Augmentation)
• 33. توقف زودهنگام (Early Stopping)
• 34. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 35. جستجوی شبکه‌ای (Grid Search)
• 36. جستجوی تصادفی (Random Search)
• 37. بهینه‌سازی بیزی (Bayesian Optimization)
• 38. معرفی مدل‌های تولیدی (Generative Models)
• 39. شبکه‌های مولد تخاصمی (GAN)
• 40. معماری Generator و Discriminator در GAN
• 41. کاربردهای GAN در تولید داده
• 42. خودرمزگذارها (Autoencoders)
• 43. انواع خودرمزگذارها (VAE, DAE)
• 44. کاربردهای خودرمزگذارها
• 45. یادگیری انتقالی (Transfer Learning)
• 46. استفاده از مدل‌های از پیش آموزش دیده
• 47. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 48. معرفی یادگیری تقویتی (Reinforcement Learning)
• 49. مفاهیم عامل، محیط، پاداش و حالت
• 50. یادگیری Q (Q-Learning)
• 51. یادگیری سیاست گرادیان (Policy Gradient)
• 52. شبکه‌های عصبی در یادگیری تقویتی
• 53. کاربردهای یادگیری تقویتی
• 54. پردازش زبان طبیعی (NLP) با شبکه‌های عصبی
• 55. تعبیه‌های کلمه (Word Embeddings)
• 56. مدل‌های زبانی (Language Models)
• 57. شبکه‌های عصبی برای طبقه‌بندی متن
• 58. شبکه‌های عصبی برای تولید متن
• 59. ترجمه ماشینی با شبکه‌های عصبی
• 60. بینایی ماشین (Computer Vision) با شبکه‌های عصبی
• 61. تشخیص اشیاء (Object Detection)
• 62. بخش‌بندی تصویر (Image Segmentation)
• 63. تولید زیرنویس برای تصاویر
• 64. تحلیل احساسات (Sentiment Analysis)
• 65. شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 66. کاربردهای شبکه‌های عصبی در بهداشت و درمان
• 67. کاربرد شبکه‌های عصبی در امور مالی
• 68. ملاحظات اخلاقی در هوش مصنوعی
• 69. حریم خصوصی و امنیت داده‌ها
• 70. توضیح‌پذیری مدل‌های هوش مصنوعی (Explainable AI - XAI)
• 71. مدل‌های هیبریدی در یادگیری عمیق
• 72. شبکه‌های عصبی گراف (Graph Neural Networks - GNN)
• 73. مقدمه‌ای بر پردازش سیگنال با شبکه‌های عصبی
• 74. شبکه‌های عصبی برای پیش‌بینی سری‌های زمانی
• 75. کاربرد شبکه‌های عصبی در رباتیک
• 76. معرفی مدل‌های ترنسفورمر (Transformer Models)
• 77. مکانیزم توجه (Attention Mechanism)
• 78. مدل‌های زبانی بزرگ (LLMs)
• 79. تنظیم مدل برای کاربردهای خاص
• 80. روش‌های ارزیابی مدل‌های یادگیری عمیق
• 81. معیارهای ارزیابی برای مسائل طبقه‌بندی
• 82. معیارهای ارزیابی برای مسائل رگرسیون
• 83. اعتبارسنجی متقابل (Cross-Validation)
• 84. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 85. امنیت در یادگیری فدرال
• 86. کاربردهای یادگیری فدرال
• 87. معرفی یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 88. تکنیک‌های یادگیری نیمه‌نظارتی
• 89. کاربردهای یادگیری نیمه‌نظارتی
• 90. شبکه‌های عصبی گراف کانولوشنی (GCN)
• 91. شبکه‌های عصبی گراف زمانی (Temporal GNN)
• 92. کاربرد GNN در تحلیل شبکه‌های اجتماعی
• 93. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)
• 94. ترکیب داده‌های متنی و تصویری
• 95. کاربرد یادگیری چندوجهی در سیستم‌های توصیه‌گر
• 96. مدیریت حافظه در شبکه‌های عصبی عمیق
• 97. بهینه‌سازی سخت‌افزاری برای شبکه‌های عصبی
• 98. مقدمه‌ای بر یادگیری تقویتی عمیق (Deep RL)
• 99. کاربرد Deep RL در بازی‌ها
• 100. کاربرد Deep RL در بهینه‌سازی سیستم‌ها