دوره غواصی در دنیای شبکه‌های عصبی کانولوشنال و بازگشتی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب غواصی در دنیای شبکه‌های عصبی کانولوشنال و بازگشتی

موضوع کلی: مبانی و مفاهیم یادگیری عمیق

موضوع میانی: اصول یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی یادگیری عمیق
• 2. مقدمه‌ای بر شبکه‌های عصبی
• 3. مفهوم نورون مصنوعی
• 4. توابع فعال‌سازی
• 5. شبکه‌های عصبی پیشخور (Feedforward)
• 6. پس‌انتشار خطا (Backpropagation)
• 7. بهینه‌سازی گرادیان کاهشی
• 8. انواع گرادیان کاهشی
• 9. تنظیم نرخ یادگیری
• 10. مفهوم تابع هزینه (Loss Function)
• 11. انواع توابع هزینه
• 12. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 13. لایه کانولوشن
• 14. فیلترها و کرنل‌ها
• 15. عمق، ارتفاع و عرض
• 16. پدینگ (Padding)
• 17. گام (Stride)
• 18. لایه پولینگ (Pooling)
• 19. انواع پولینگ
• 20. لایه فعال‌سازی در CNN
• 21. لایه تمام‌اتصال (Fully Connected)
• 22. معماری‌های پایه CNN
• 23. شبکه‌های عصبی بازگشتی (RNN)
• 24. حافظه در شبکه‌های عصبی
• 25. حالت پنهان (Hidden State)
• 26. مفهوم بازگشت (Recurrence)
• 27. شبکه‌های RNN ساده
• 28. مشکل محوشدگی گرادیان (Vanishing Gradient)
• 29. مشکل انفجار گرادیان (Exploding Gradient)
• 30. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 31. گیت ورودی (Input Gate)
• 32. گیت فراموشی (Forget Gate)
• 33. گیت خروجی (Output Gate)
• 34. سلول حافظه (Cell State)
• 35. شبکه‌های واحد بازگشتی دروازه‌ای (GRU)
• 36. گیت به‌روزرسانی (Update Gate)
• 37. گیت ریست (Reset Gate)
• 38. مقایسه LSTM و GRU
• 39. کاربرد CNN در پردازش تصویر
• 40. شناسایی اشیاء
• 41. تشخیص چهره
• 42. تقسیم‌بندی تصویر (Image Segmentation)
• 43. تولید تصویر
• 44. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 45. مدل‌سازی زبان
• 46. ترجمه ماشینی
• 47. تحلیل احساسات
• 48. تولید متن
• 49. ترکیب CNN و RNN
• 50. شبکه‌های CNN-RNN برای ویدئو
• 51. شبکه‌های CNN-RNN برای تحلیل متن طولانی
• 52. مفاهیم پیشرفته در CNN
• 53. شبکه‌های کانولوشنال عمیق
• 54. شبکه‌های ResNet
• 55. شبکه‌های Inception
• 56. شبکه‌های MobileNet
• 57. مفاهیم پیشرفته در RNN
• 58. شبکه‌های Bidirectional RNN
• 59. شبکه‌های Stacked RNN
• 60. شبکه‌های Attention Mechanism
• 61. مکانیسم توجه در NLP
• 62. مکانیسم توجه در CNN
• 63. مدل‌های ترنسفورمر (Transformer)
• 64. مقدمه‌ای بر ترنسفورمر
• 65. لایه Encoder در ترنسفورمر
• 66. لایه Decoder در ترنسفورمر
• 67. Self-Attention در ترنسفورمر
• 68. Multi-Head Attention
• 69. کاربرد ترنسفورمر در NLP
• 70. کاربرد ترنسفورمر در بینایی کامپیوتر
• 71. یادگیری انتقالی (Transfer Learning)
• 72. تنظیم دقیق (Fine-tuning)
• 73. پیش‌-آموزش (Pre-training)
• 74. داده‌های حجیم و چالش‌های آن
• 75. نرمال‌سازی دسته‌ای (Batch Normalization)
• 76. تنظیم‌کننده‌ها (Regularization)
• 77. Dropout
• 78. L1 و L2 Regularization
• 79. بهینه‌سازی های پیشرفته
• 80. Adam Optimizer
• 81. RMSprop Optimizer
• 82. Adagrad Optimizer
• 83. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 84. اعتبارسنجی متقابل (Cross-Validation)
• 85. ارزیابی مدل‌ها
• 86. معیارهای ارزیابی CNN
• 87. معیارهای ارزیابی RNN
• 88. مقدمه‌ای بر معماری‌های مولد
• 89. شبکه‌های مولد تخاصمی (GAN)
• 90. مولد (Generator)
• 91. متمایزکننده (Discriminator)
• 92. آموزش GAN
• 93. مشکلات در آموزش GAN
• 94. شبکه‌های خودرمزگذار (Autoencoders)
• 95. کدگذاری (Encoding)
• 96. رمزگشایی (Decoding)
• 97. کاربرد Autoencoders
• 98. Variational Autoencoders (VAE)
• 99. مفاهیم آماری در VAE
• 100. کاربرد VAE