دوره ساخت و آموزش شبکه‌های عصبی مصنوعی (ANN) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب ساخت و آموزش شبکه‌های عصبی مصنوعی (ANN)

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. موضوع کلی: برنامه نویسی
• 2. موضوع میانی: یادگیری عمیق (Deep Learning)
• 3. عنوان دوره: ساخت و آموزش شبکه‌های عصبی مصنوعی (ANN)
• 4. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• 5. یادگیری عمیق چیست؟
• 6. چرا اکنون زمان یادگیری عمیق است؟ (سخت‌افزار، داده، الگوریتم‌ها)
• 7. مبانی ریاضی: جبر خطی (بردارها، ماتریس‌ها)
• 8. مبانی ریاضی: حساب دیفرانسیل و انتگرال (مشتقات، گرادیان‌ها)
• 9. مبانی ریاضی: احتمال و آمار (توزیع‌ها، قضیه بیز)
• 10. مقدمه‌ای بر پایتون برای یادگیری ماشین
• 11. کتابخانه‌های ضروری پایتون: NumPy
• 12. کتابخانه‌های ضروری پایتون: Pandas
• 13. کتابخانه‌های ضروری پایتون: Matplotlib و Seaborn
• 14. آماده‌سازی داده: بارگذاری و پاکسازی داده‌ها
• 15. آماده‌سازی داده: مقیاس‌گذاری ویژگی‌ها (استانداردسازی، نرمال‌سازی)
• 16. آماده‌سازی داده: کدگذاری One-Hot و کدگذاری برچسبی
• 17. تقسیم داده‌ها: مجموعه آموزش، اعتبارسنجی و آزمون
• 18. مقدمه‌ای بر یادگیری ماشین: نظارت‌شده در برابر نظارت‌نشده
• 19. رگرسیون در مقابل طبقه‌بندی
• 20. معیارهای ارزیابی مدل: رگرسیون (MSE, MAE, R-squared)
• 21. معیارهای ارزیابی مدل: طبقه‌بندی (دقت، صحت، بازیابی، F1-Score)
• 22. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 23. توازن بایاس-واریانس (Bias-Variance Tradeoff)
• 24. مقدمه‌ای بر رگرسیون لجستیک (به عنوان یک واحد عصبی ساده)
• 25. نورون بیولوژیکی در مقابل نورون مصنوعی (پرceptron)
• 26. توابع فعال‌سازی: سیگموید (Sigmoid)
• 27. توابع فعال‌سازی: تانژانت هیپربولیک (Tanh)
• 28. توابع فعال‌سازی: ReLU و انواع آن (Leaky ReLU, ELU, SELU)
• 29. پرسپترون تک لایه: معماری
• 30. پرسپترون تک لایه: محدودیت‌ها
• 31. معماری پرسپترون چند لایه (MLP)
• 32. لایه ورودی، لایه‌های پنهان، لایه خروجی
• 33. وزن‌ها و بایاس‌ها
• 34. انتشار رو به جلو (Forward Propagation): جریان محاسبات
• 35. توابع زیان (Loss Functions): خطای میانگین مربعات (برای رگرسیون)
• 36. توابع زیان: آنتروپی متقاطع باینری (برای طبقه‌بندی باینری)
• 37. توابع زیان: آنتروپی متقاطع دسته‌ای (برای طبقه‌بندی چندکلاسه)
• 38. مفهوم گرادیان کاهشی (Gradient Descent)
• 39. بصری‌سازی گرادیان کاهشی
• 40. نرخ یادگیری (Learning Rate): اهمیت و تأثیر آن
• 41. گرادیان کاهشی تصادفی (Stochastic Gradient Descent - SGD)
• 42. گرادیان کاهشی مینی-بچ (Mini-Batch Gradient Descent)
• 43. الگوریتم پس‌انتشار (Backpropagation): شهود
• 44. الگوریتم پس‌انتشار: قانون زنجیره‌ای (Chain Rule)
• 45. الگوریتم پس‌انتشار: مراحل دقیق (برای یک شبکه ساده)
• 46. پیاده‌سازی عملی پس‌انتشار (مفهومی)
• 47. گرادیان‌های محوشونده و منفجرشونده (Vanishing and Exploding Gradients)
• 48. استراتژی‌های مقداردهی اولیه وزن‌ها: تصادفی، زاویر، هی
• 49. تکنیک‌های تنظیم‌گرایی (Regularization): تنظیم‌گرایی L1 و L2 (کاهش وزن)
• 50. تکنیک‌های تنظیم‌گرایی: Dropout
• 51. نرمال‌سازی بچ (Batch Normalization): مفهوم و مزایا
• 52. بهینه‌سازها (Optimizers): Momentum
• 53. بهینه‌سازها: Adam
• 54. بهینه‌سازها: RMSprop, AdaGrad
• 55. زمان‌بندی‌کننده‌های نرخ یادگیری (Learning Rate Schedulers): کاهش گام، کاهش نمایی، کسینوس آنیلینگ
• 56. توقف زودهنگام (Early Stopping)
• 57. تنظیم ابرپارامترها (Hyperparameter Tuning): جستجوی شبکه‌ای (Grid Search)
• 58. تنظیم ابرپارامترها: جستجوی تصادفی (Random Search)
• 59. تنظیم ابرپارامترها: بهینه‌سازی بیزی (مقدمه)
• 60. مقدمه‌ای بر TensorFlow و Keras
• 61. راه‌اندازی محیط یادگیری عمیق (GPU در مقابل CPU)
• 62. ساخت یک مدل ساده در Keras: Sequential API
• 63. کامپایل یک مدل Keras: بهینه‌ساز، تابع زیان، معیارها
• 64. آموزش یک مدل Keras: متد `model.fit()`
• 65. ارزیابی یک مدل Keras: متد `model.evaluate()`
• 66. انجام پیش‌بینی‌ها: متد `model.predict()`
• 67. ذخیره و بارگذاری مدل‌ها
• 68. ساخت یک مدل Keras: Functional API (برای ساختارهای پیچیده‌تر)
• 69. لایه‌های سفارشی در Keras (مقدمه)
• 70. توابع زیان سفارشی در Keras (مقدمه)
• 71. معیارهای سفارشی در Keras (مقدمه)
• 72. Callbacks در Keras (TensorBoard, Model Checkpointing)
• 73. مقدمه‌ای بر شبکه‌های عصبی پیچشی (Convolutional Neural Networks - CNNs)
• 74. لایه پیچشی (Convolutional Layer): فیلترها، گام، پدینگ
• 75. لایه‌های پولینگ (Pooling Layers): Max Pooling, Average Pooling
• 76. معماری‌های CNN: LeNet-5
• 77. معماری‌های CNN: AlexNet (مرور کوتاه)
• 78. معماری‌های CNN: VGGNet (مرور کوتاه)
• 79. افزایش داده (Data Augmentation) برای تصاویر
• 80. یادگیری انتقالی (Transfer Learning) برای طبقه‌بندی تصاویر
• 81. تنظیم دقیق (Fine-tuning) مدل‌های از پیش‌آموزش‌دیده
• 82. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNNs)
• 83. گرادیان‌های محوشونده در RNNها
• 84. شبکه‌های حافظه بلند-کوتاه‌مدت (Long Short-Term Memory - LSTM)
• 85. واحدهای بازگشتی دروازه‌دار (Gated Recurrent Units - GRUs)
• 86. RNNهای دوجهته (Bidirectional RNNs)
• 87. مدل‌های توالی به توالی (Sequence-to-Sequence Models) (مقدمه)
• 88. لایه‌های Embedding برای داده‌های متنی
• 89. مقدمه‌ای بر Autoencoders
• 90. Autoencoders واریانس‌دار (VAEs) - اشاره کوتاه
• 91. شبکه‌های مولد تخاصمی (Generative Adversarial Networks - GANs) - اشاره کوتاه
• 92. توضیح‌پذیری مدل‌های یادگیری عمیق: SHAP, LIME (مقدمه)
• 93. حملات خصمانه و دفاع‌ها (مقدمه)
• 94. اخلاق در هوش مصنوعی و یادگیری عمیق
• 95. استقرار مدل‌های یادگیری عمیق (به عنوان مثال، TensorFlow Serving, ONNX)
• 96. هوش مصنوعی لبه (Edge AI) و TinyML (مقدمه)
• 97. یادگیری فدرال (Federated Learning) (مقدمه)
• 98. یادگیری تقویتی (Reinforcement Learning) (اشاره کوتاه به ارتباط با ANN)
• 99. GPU و TPU برای یادگیری عمیق
• 100. آموزش توزیع‌شده (Distributed Training)