دوره یادگیری عمیق با TensorFlow: راهنمای جامع و پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری عمیق با TensorFlow: راهنمای جامع و پیشرفته

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. آشنایی با شبکه‌های عصبی مصنوعی
• 3. تفاوت یادگیری ماشین و یادگیری عمیق
• 4. چرا یادگیری عمیق؟ کاربردها و مزایا
• 5. تاریخچه مختصر یادگیری عمیق
• 6. محیط توسعه: نصب TensorFlow و ابزارهای مورد نیاز
• 7. نصب Python و وابستگی‌ها
• 8. نصب TensorFlow (CPU و GPU)
• 9. آشنایی با Keras API
• 10. مقدمه‌ای بر مفاهیم پایه شبکه‌های عصبی
• 11. نورون مصنوعی و تابع فعال‌سازی
• 12. لایه (Layer) در شبکه‌های عصبی
• 13. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 14. تابع هزینه (Loss Function)
• 15. بهینه‌ساز (Optimizer)
• 16. گرادیان نزولی (Gradient Descent)
• 17. پس‌انتشار خطا (Backpropagation)
• 18. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 19. ساخت اولین مدل MLP با Keras
• 20. آموزش مدل MLP بر روی داده‌های نمونه
• 21. ارزیابی مدل MLP
• 22. پیش‌پردازش داده‌ها برای مدل‌های یادگیری عمیق
• 23. نرمال‌سازی (Normalization) و مقیاس‌گذاری (Scaling) داده‌ها
• 24. تکمیل داده‌های از دست رفته (Imputation)
• 25. رمزگذاری داده‌های طبقه‌ای (Categorical Encoding)
• 26. استفاده از TensorFlow Datasets
• 27. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 28. کاربرد CNN در پردازش تصویر
• 29. لایه کانولوشن (Convolutional Layer)
• 30. فیلترها (Filters) و کرنل‌ها (Kernels)
• 31. عملکرد استراید (Stride) و پدینگ (Padding)
• 32. لایه پولینگ (Pooling Layer)
• 33. شبکه عصبی VGG16
• 34. شبکه عصبی ResNet
• 35. آموزش مدل CNN برای طبقه‌بندی تصویر
• 36. کاربرد CNN در تشخیص اشیاء
• 37. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 38. کاربرد RNN در پردازش زبان طبیعی
• 39. سلول RNN ساده
• 40. مشکل محوشدگی گرادیان (Vanishing Gradient Problem)
• 41. سلول حافظه بلند کوتاه مدت (LSTM)
• 42. سلول واحد بازگشتی (GRU)
• 43. آموزش مدل RNN برای پیش‌بینی سری زمانی
• 44. آموزش مدل RNN برای تولید متن
• 45. ترنسفورمرها (Transformers)
• 46. معماری ترنسفورمر
• 47. مکانیسم توجه (Attention Mechanism)
• 48. ترنسفورمرهای مبتنی بر رمزگذار-رمزگشا
• 49. کاربرد ترنسفورمر در ترجمه ماشینی
• 50. مدل‌های زبان بزرگ (LLMs)
• 51. BERT و GPT
• 52. Fine-tuning مدل‌های از پیش آموزش دیده
• 53. مفاهیم پیشرفته در شبکه‌های عصبی
• 54. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 55. جستجوی شبکه‌ای (Grid Search)
• 56. جستجوی تصادفی (Random Search)
• 57. بهینه‌سازی بیزی (Bayesian Optimization)
• 58. روش‌های تنظیم‌کننده (Regularization Techniques)
• 59. Dropout
• 60. Batch Normalization
• 61. Early Stopping
• 62. افزایش داده (Data Augmentation)
• 63. تکنیک‌های افزایش داده برای تصاویر
• 64. تکنیک‌های افزایش داده برای متن
• 65. شبکه‌های عصبی مولد (GANs)
• 66. معماری GAN
• 67. مولد (Generator) و تمایز دهنده (Discriminator)
• 68. آموزش GAN
• 69. کاربرد GAN در تولید تصویر
• 70. شبکه‌های عصبی گراف (GNNs)
• 71. مقدمه‌ای بر داده‌های گراف
• 72. لایه GNN
• 73. کاربرد GNN در پیش‌بینی خواص مولکولی
• 74. یادگیری انتقالی (Transfer Learning)
• 75. استفاده از مدل‌های از پیش آموزش دیده
• 76. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 77. استخراج ویژگی (Feature Extraction)
• 78. یادگیری تقویتی (Reinforcement Learning)
• 79. مفاهیم پایه یادگیری تقویتی
• 80. عامل (Agent)، محیط (Environment)، پاداش (Reward)
• 81. سیاست (Policy) و تابع ارزش (Value Function)
• 82. یادگیری Q (Q-Learning)
• 83. شبکه‌های عصبی در یادگیری تقویتی
• 84. آموزش یک عامل یادگیری تقویتی با TensorFlow
• 85. مدل‌های سری زمانی با TensorFlow
• 86. مدل‌های LSTM برای پیش‌بینی
• 87. مدل‌های GRU برای پیش‌بینی
• 88. شبکه‌های عصبی کانولوشنال برای سری زمانی
• 89. کاربرد شبکه‌های عصبی در پردازش سیگنال
• 90. کاربرد شبکه‌های عصبی در بینایی ماشین
• 91. تشخیص چهره
• 92. تشخیص اشیاء
• 93. بخش‌بندی تصویر (Image Segmentation)
• 94. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 95. تحلیل احساسات (Sentiment Analysis)
• 96. مدل‌های طبقه‌بندی متن
• 97. استخراج موجودیت نام‌گذاری شده (Named Entity Recognition)
• 98. ترجمه ماشینی
• 99. خلاصه‌سازی متن
• 100. تولید متن