اپلیکیشن اندرویدی فلش‌کارت آموزشی اصول و مبانی نظری یادگیری عمیق برای کاربردهای نوین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول و مبانی نظری یادگیری عمیق برای کاربردهای نوین

موضوع کلی: هوش مصنوعی و یادگیری عمیق

موضوع میانی: مبانی نظری یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مبانی نظری یادگیری عمیق
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. آشنایی با شبکه‌های عصبی مصنوعی
• 4. توابع فعال‌سازی در شبکه‌های عصبی
• 5. انتشار رو به جلو و پس‌انتشار خطا
• 6. بهینه‌سازی گرادیان نزولی
• 7. نرخ یادگیری و تنظیم آن
• 8. روش‌های بهینه‌سازی پیشرفته (Adam, RMSprop)
• 9. تنظیم‌کننده‌ها (Regularization)
• 10. کاهش بیش‌برازش (Overfitting)
• 11. یادگیری عمیق در بینایی ماشین
• 12. شبکه‌های عصبی کانولوشنی (CNN)
• 13. لایه‌های کانولوشن و پولینگ
• 14. معماری‌های معروف CNN (LeNet, AlexNet)
• 15. شبکه‌های عصبی بازگشتی (RNN)
• 16. حافظه کوتاه‌مدت طولانی (LSTM)
• 17. واحد بازگشتی دروازه‌ای (GRU)
• 18. پردازش زبان طبیعی با یادگیری عمیق
• 19. مدل‌های زبانی آماری
• 20. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 21. تعبیه‌سازی کلمات (Word Embeddings)
• 22. Word2Vec و GloVe
• 23. شبکه‌های عصبی ترنسفورمر
• 24. مکانیسم توجه (Attention Mechanism)
• 25. مدل‌های ترنسفورمر (BERT, GPT)
• 26. یادگیری عمیق در پردازش صوت
• 27. مدل‌های تشخیص گفتار
• 28. تولید گفتار با یادگیری عمیق
• 29. یادگیری تقویتی (Reinforcement Learning)
• 30. مفاهیم پایه یادگیری تقویتی
• 31. عامل، محیط، پاداش
• 32. سیاست و تابع ارزش
• 33. یادگیری Q
• 34. الگوریتم‌های یادگیری Q (Deep Q-Networks - DQN)
• 35. یادگیری سیاست گرادیان
• 36. یادگیری عمیق در سیستم‌های توصیه‌گر
• 37. فیلترسازی مشارکتی (Collaborative Filtering)
• 38. فیلترسازی مبتنی بر محتوا (Content-Based Filtering)
• 39. مدل‌های ترکیبی در سیستم‌های توصیه‌گر
• 40. شبکه‌های عصبی برای سیستم‌های توصیه‌گر
• 41. یادگیری عمیق در داده‌های سری زمانی
• 42. مدل‌های RNN و LSTM برای سری‌های زمانی
• 43. پیش‌بینی سری‌های زمانی
• 44. کاربردها در بازارهای مالی (با رویکرد اسلامی)
• 45. یادگیری عمیق در داده‌های گراف
• 46. شبکه‌های عصبی گراف (GNN)
• 47. کاربرد GNN در شبکه‌های اجتماعی
• 48. یادگیری عمیق در داده‌های پزشکی
• 49. تشخیص بیماری با CNN
• 50. تحلیل تصاویر پزشکی
• 51. یادگیری عمیق در حوزه‌های علمی
• 52. شبیه‌سازی‌های علمی با یادگیری عمیق
• 53. کشف دارو با یادگیری عمیق
• 54. یادگیری خودنظارتی (Self-Supervised Learning)
• 55. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 56. یادگیری انتقالی (Transfer Learning)
• 57. تنظیم دقیق مدل‌ها (Fine-tuning)
• 58. شبکه‌های مولد تخاصمی (GAN)
• 59. معماری GAN
• 60. کاربرد GAN در تولید داده
• 61. یادگیری عمیق قابل تفسیر (Explainable AI - XAI)
• 62. روش‌های تفسیر مدل‌های یادگیری عمیق
• 63. اهمیت شفافیت در مدل‌ها
• 64. ملاحظات اخلاقی در یادگیری عمیق
• 65. حریم خصوصی داده‌ها
• 66. سوگیری در الگوریتم‌ها
• 67. کاربردهای اخلاقی یادگیری عمیق
• 68. یادگیری عمیق و امنیت سایبری
• 69. تشخیص نفوذ با یادگیری عمیق
• 70. تحلیل بدافزارها
• 71. یادگیری عمیق در بهینه‌سازی فرآیندها
• 72. بهینه‌سازی تولید صنعتی
• 73. مدیریت زنجیره تامین
• 74. یادگیری عمیق در علوم شناختی
• 75. مدل‌سازی فرآیندهای ذهنی
• 76. هوش مصنوعی عمومی (AGI) - مباحث مقدماتی
• 77. یادگیری عمیق و هوش مصنوعی مولد
• 78. مدل‌های زبانی بزرگ (LLMs)
• 79. آموزش و توسعه LLMs
• 80. کاربردهای LLMs در تولید محتوا (سازگار با چارچوب)
• 81. تکنیک‌های پیشرفته در شبکه‌های عصبی
• 82. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
• 83. یادگیری عمیق کوانتومی (مقدماتی)
• 84. مبانی یادگیری عمیق توزیع شده
• 85. آموزش مدل‌های بزرگ بر روی چندین دستگاه
• 86. بهینه‌سازی عملکرد در یادگیری توزیع شده
• 87. مباحث پیشرفته در توابع فعال‌سازی
• 88. خانواده توابع فعال‌سازی ReLU
• 89. نوآوری در توابع فعال‌سازی
• 90. مبانی بهینه‌سازی و تنظیم مدل‌ها
• 91. تنظیم پارامترهای فرا-پارامتر (Hyperparameter Tuning)
• 92. روش‌های جستجوی شبکه‌ای (Grid Search)
• 93. جستجوی تصادفی (Random Search)
• 94. بهینه‌سازی بیزی (Bayesian Optimization)
• 95. کاهش ابعاد و نمایش ویژگی‌ها
• 96. تحلیل مولفه‌های اصلی (PCA)
• 97. جایگزین‌های غیرخطی PCA
• 98. توزیع‌های یادگیری عمیق
• 99. مدل‌های گرافیکی احتمالاتی
• 100. شبکه‌های بیزی