دوره پیاده‌سازی شبکه‌های عصبی عمیق با TensorFlow و Keras همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی شبکه‌های عصبی عمیق با TensorFlow و Keras

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه به شبکه‌های عصبی عمیق
• 2. یادگیری عمیق و جایگاه آن
• 3. تاریخچه مختصر شبکه‌های عصبی
• 4. چرا TensorFlow و Keras؟
• 5. نصب TensorFlow و Keras
• 6. محیط توسعه مناسب
• 7. مفاهیم پایه شبکه‌های عصبی
• 8. نورون و لایه‌ها
• 9. تابع فعال‌سازی
• 10. انواع توابع فعال‌سازی
• 11. شبکه‌های عصبی پیشخور
• 12. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 13. فرایند آموزش شبکه عصبی
• 14. توابع هزینه (Loss Functions)
• 15. بهینه‌سازها (Optimizers)
• 16. گرادیان کاهشی و انواع آن
• 17. بچ گرادیان کاهشی
• 18. مینی بچ گرادیان کاهشی
• 19. استوکاستیک گرادیان کاهشی
• 20. نرخ یادگیری
• 21. تنظیم نرخ یادگیری
• 22. تنظیمات هایپرپارامترها
• 23. اعتبارسنجی و تست
• 24. بیش‌برازش (Overfitting)
• 25. کم‌برازش (Underfitting)
• 26. روش‌های تنظیم‌کننده (Regularization)
• 27. L1 و L2 Regularization
• 28. Dropout
• 29. Batch Normalization
• 30. Data Augmentation
• 31. ساخت اولین مدل با Keras
• 32. مدل ترتیبی (Sequential Model)
• 33. مدل فانکشنال (Functional API)
• 34. لایه‌های Dense (Fully Connected)
• 35. لایه‌های ورودی (Input Layer)
• 36. لایه‌های خروجی (Output Layer)
• 37. کامپایل کردن مدل
• 38. متد fit برای آموزش
• 39. متد predict برای پیش‌بینی
• 40. متد evaluate برای ارزیابی
• 41. آموزش مدل MLP برای طبقه‌بندی
• 42. مجموعه داده MNIST
• 43. پیش‌پردازش داده‌ها
• 44. ساخت مدل MLP برای MNIST
• 45. آموزش و ارزیابی مدل MLP
• 46. کار با داده‌های تصویری
• 47. کانولوشنال ن
• 48. لایه‌های کانولوشن (Conv2D)
• 49. فیلترها و کرنل‌ها
• 50. انتخاب اندازه کرنل
• 51. گام (Stride) در لایه‌های کانولوشن
• 52. Padding در لایه‌های کانولوشن
• 53. لایه‌های pooling (MaxPooling2D, AveragePooling2D)
• 54. لایه‌های Flatten
• 55. ساخت مدل CNN برای طبقه‌بندی تصاویر
• 56. مجموعه داده CIFAR-10
• 57. پیش‌پردازش تصاویر CIFAR-10
• 58. ساخت مدل CNN برای CIFAR-10
• 59. آموزش و ارزیابی مدل CNN
• 60. شبکه‌های عصبی بازگشتی (RNN)
• 61. لایه RNN
• 62. حالت پنهان (Hidden State)
• 63. شبکه‌های LSTM (Long Short-Term Memory)
• 64. مشکل محوشدگی گرادیان در RNN
• 65. لایه LSTM
• 66. لایه‌های GRU (Gated Recurrent Unit)
• 67. شبکه GRU
• 68. کار با داده‌های متوالی (Sequential Data)
• 69. پردازش زبان طبیعی (NLP)
• 70. کار با متون
• 71. کلمات و توکن‌ها
• 72. بردارهای کلمه (Word Embeddings)
• 73. Word2Vec
• 74. GloVe
• 75. آموزش یک مدل RNN/LSTM برای طبقه‌بندی متن
• 76. مجموعه داده IMDB برای بررسی احساسات
• 77. پیش‌پردازش متون
• 78. ساخت مدل LSTM برای طبقه‌بندی متن
• 79. آموزش و ارزیابی مدل LSTM
• 80. مدل‌های پیشرفته‌تر
• 81. شبکه‌های پیچشی (Transformer Networks)
• 82. مکانیزم توجه (Attention Mechanism)
• 83. کدگذار-رمزگشا (Encoder-Decoder)
• 84. کاربرد شبکه‌های Transformer
• 85. تکنیک‌های انتقال یادگیری (Transfer Learning)
• 86. مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 87. Fine-tuning مدل‌ها
• 88. استفاده از VGG16، ResNet، Inception
• 89. آموزش مدل با انتقال یادگیری
• 90. تولید مدل (Generative Models)
• 91. شبکه‌های مولد تخاصمی (GANs)
• 92. شبکه مولد (Generator)
• 93. شبکه تمایزدهنده (Discriminator)
• 94. آموزش GANs
• 95. تولید تصاویر با GANs
• 96. آموزش مدل‌های سفارشی (Custom Models)
• 97. تعریف توابع هزینه سفارشی
• 98. تعریف بهینه‌سازهای سفارشی
• 99. پیاده‌سازی لایه‌های سفارشی
• 100. ذخیره و بارگذاری مدل‌ها