دوره تکنیک‌های کارآمد تنظیم هایپرپارامتر در مدل‌های یادگیری انتقالی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های کارآمد تنظیم هایپرپارامتر در مدل‌های یادگیری انتقالی

موضوع کلی: یادگیری انتقالی و مدل‌سازی داده‌های با ابعاد بالا

موضوع میانی: بهینه‌سازی مدل‌های یادگیری انتقالی

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر تنظیم هایپرپارامتر
• 2. فصل ۲: درک اهمیت هایپرپارامترها
• 3. فصل ۳: هایپرپارامترهای رایج در مدل‌های یادگیری انتقالی
• 4. فصل ۴: چالش‌های تنظیم هایپرپارامتر
• 5. فصل ۵: تنظیم هایپرپارامتر با جستجوی شبکه‌ای (Grid Search)
• 6. فصل ۶: کاستی‌های جستجوی شبکه‌ای
• 7. فصل ۷: تنظیم هایپرپارامتر با جستجوی تصادفی (Random Search)
• 8. فصل ۸: مزایای جستجوی تصادفی
• 9. فصل ۹: تنظیم هایپرپارامتر با بهینه‌سازی بیزی (Bayesian Optimization)
• 10. فصل ۱۰: اصول بهینه‌سازی بیزی
• 11. فصل ۱۱: تابع احتمالی (Surrogate Function) در بهینه‌سازی بیزی
• 12. فصل ۱۲: تابع سود (Acquisition Function)
• 13. فصل ۱۳: الگوریتم‌های بهینه‌سازی بیزی
• 14. فصل ۱۴: معرفی کتابخانه‌های بهینه‌سازی بیزی
• 15. فصل ۱۵: ابزار Hyperopt
• 16. فصل ۱۶: ابزار Optuna
• 17. فصل ۱۷: ابزار Keras Tuner
• 18. فصل ۱۸: تنظیم هایپرپارامترهای معماری شبکه
• 19. فصل ۱۹: تنظیم هایپرپارامترهای نرخ یادگیری (Learning Rate)
• 20. فصل ۲۰: تنظیم هایپرپارامترهای اندازه بچ (Batch Size)
• 21. فصل ۲۱: تنظیم هایپرپارامترهای تعداد اپوک (Epochs)
• 22. فصل ۲۲: تنظیم هایپرپارامترهای بهینه‌ساز (Optimizer)
• 23. فصل ۲۳: تنظیم هایپرپارامترهای تابع فعال‌سازی (Activation Function)
• 24. فصل ۲۴: تنظیم هایپرپارامترهای تابع زیان (Loss Function)
• 25. فصل ۲۵: تنظیم هایپرپارامترهای تنظیم‌کننده (Regularization)
• 26. فصل ۲۶: تنظیم هایپرپارامترهای لایه‌های کانولوشن (Convolutional Layers)
• 27. فصل ۲۷: تنظیم هایپرپارامترهای لایه‌های تجمعی (Pooling Layers)
• 28. فصل ۲۸: تنظیم هایپرپارامترهای لایه‌های متراکم (Dense Layers)
• 29. فصل ۲۹: تنظیم هایپرپارامترهای دراپ‌اوت (Dropout)
• 30. فصل ۳۰: تنظیم هایپرپارامترهای دسته‌بندی (Batch Normalization)
• 31. فصل ۳۱: تنظیم هایپرپارامترهای انتقال گرادیان (Gradient Clipping)
• 32. فصل ۳۲: تنظیم هایپرپارامترهای شروع یادگیری (Learning Rate Schedules)
• 33. فصل ۳۳: تنظیم هایپرپارامترهای توقف زودهنگام (Early Stopping)
• 34. فصل ۳۴: تنظیم هایپرپارامترهای مدل‌های ترنسفورمر
• 35. فصل ۳۵: تنظیم هایپرپارامترهای توکن‌سازی (Tokenization)
• 36. فصل ۳۶: تنظیم هایپرپارامترهای گنجاندن کلمات (Word Embeddings)
• 37. فصل ۳۷: تنظیم هایپرپارامترهای مکانیسم توجه (Attention Mechanism)
• 38. فصل ۳۸: تنظیم هایپرپارامترهای لایه‌های رمزگذار (Encoder Layers)
• 39. فصل ۳۹: تنظیم هایپرپارامترهای لایه‌های رمزگشا (Decoder Layers)
• 40. فصل ۴۰: تنظیم هایپرپارامترهای پیش‌بینی (Prediction Layer)
• 41. فصل ۴۱: تنظیم هایپرپارامترهای مدل‌های شبکه‌های عصبی بازگشتی (RNNs)
• 42. فصل ۴۲: تنظیم هایپرپارامترهای سلول‌های LSTM
• 43. فصل ۴۳: تنظیم هایپرپارامترهای سلول‌های GRU
• 44. فصل ۴۴: تنظیم هایپرپارامترهای مدل‌های شبکه‌های عصبی کانولوشنی (CNNs)
• 45. فصل ۴۵: کاربرد CNN در پردازش تصویر
• 46. فصل ۴۶: کاربرد CNN در پردازش زبان طبیعی
• 47. فصل ۴۷: انتخاب مدل پایه برای یادگیری انتقالی
• 48. فصل ۴۸: ارزیابی عملکرد مدل با هایپرپارامترهای مختلف
• 49. فصل ۴۹: معیارهای ارزیابی (Metrics)
• 50. فصل ۵۰: تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
• 51. فصل ۵۱: اعتبارسنجی متقابل K-Fold
• 52. فصل ۵۲: اعتبارسنجی متقابل Stratified K-Fold
• 53. فصل ۵۳: مقایسه نتایج تنظیم هایپرپارامتر
• 54. فصل ۵۴: تجسم نتایج تنظیم هایپرپارامتر
• 55. فصل ۵۵: هایپرپارامترهای وابسته به مجموعه داده
• 56. فصل ۵۶: هایپرپارامترهای وابسته به وظیفه (Task)
• 57. فصل ۵۷: فریز کردن لایه‌ها در یادگیری انتقالی
• 58. فصل ۵۸: تنظیم هایپرپارامترهای لایه‌های آخر
• 59. فصل ۵۹: تنظیم هایپرپارامترهای لایه‌های میانی
• 60. فصل ۶۰: تنظیم هایپرپارامترهای لایه‌های اولیه
• 61. فصل ۶۱: تنظیم هایپرپارامترهای فاین‌تونینگ (Fine-tuning)
• 62. فصل ۶۲: استراتژی‌های فاین‌تونینگ
• 63. فصل ۶۳: تنظیم نرخ یادگیری در فاین‌تونینگ
• 64. فصل ۶۴: تنظیم اندازه بچ در فاین‌تونینگ
• 65. فصل ۶۵: تنظیم تعداد اپوک در فاین‌تونینگ
• 66. فصل ۶۶: تکنیک‌های جلوگیری از بیش‌برازش (Overfitting)
• 67. فصل ۶۷: تنظیم پارامترهای تنظیم‌کننده L1 و L2
• 68. فصل ۶۸: تنظیم پارامترهای دراپ‌اوت
• 69. فصل ۶۹: تنظیم پارامترهای دسته‌بندی (Batch Normalization)
• 70. فصل ۷۰: تنظیم پارامترهای توقف زودهنگام (Early Stopping)
• 71. فصل ۷۱: تنظیم هایپرپارامترهای مدل‌های تولیدی (Generative Models)
• 72. فصل ۷۲: تنظیم هایپرپارامترهای شبکه‌های مولد تخاصمی (GANs)
• 73. فصل ۷۳: تنظیم هایپرپارامترهای مولد (Generator) در GANs
• 74. فصل ۷۴: تنظیم هایپرپارامترهای متمایزکننده (Discriminator) در GANs
• 75. فصل ۷۵: تنظیم هایپرپارامترهای واژه‌نامه (Vocabulary Size)
• 76. فصل ۷۶: تنظیم هایپرپارامترهای تعداد حالات پنهان (Hidden State Size)
• 77. فصل ۷۷: تنظیم هایپرپارامترهای ابعاد پنهان (Latent Dimension)
• 78. فصل ۷۸: تنظیم هایپرپارامترهای توزیع ورودی (Input Distribution)
• 79. فصل ۷۹: تنظیم هایپرپارامترهای توزیع خروجی (Output Distribution)
• 80. فصل ۸۰: تنظیم هایپرپارامترهای روش‌های نمونه‌برداری (Sampling Methods)
• 81. فصل ۸۱: تنظیم هایپرپارامترهای عامل (Agent) در یادگیری تقویتی
• 82. فصل ۸۲: تنظیم هایپرپارامترهای محیط (Environment) در یادگیری تقویتی
• 83. فصل ۸۳: تنظیم هایپرپارامترهای الگوریتم‌های یادگیری تقویتی
• 84. فصل ۸۴: تنظیم هایپرپارامترهای عامل خط مشی (Policy Gradient Agent)
• 85. فصل ۸۵: تنظیم هایپرپارامترهای عامل ارزش (Value-based Agent)
• 86. فصل ۸۶: تنظیم هایپرپارامترهای عامل ترکیبی (Actor-Critic Agent)
• 87. فصل ۸۷: تنظیم هایپرپارامترهای تابع پاداش (Reward Function)
• 88. فصل ۸۸: تنظیم هایپرپارامترهای نرخ تنزیل (Discount Rate)
• 89. فصل ۸۹: تنظیم هایپرپارامترهای بهره‌برداری در مقابل اکتشاف (Exploration vs. Exploitation)
• 90. فصل ۹۰: تنظیم هایپرپارامترهای الگوریتم‌های بهینه‌سازی پیشرفته
• 91. فصل ۹۱: معرفی الگوریتم AdamW
• 92. فصل ۹۲: معرفی الگوریتم Ranger
• 93. فصل ۹۳: معرفی الگوریتم Lookahead
• 94. فصل ۹۴: تنظیم هایپرپارامترهای خودکار (Automated Hyperparameter Tuning)
• 95. فصل ۹۵: ابزارهای تنظیم خودکار هایپرپارامتر
• 96. فصل ۹۶: ترکیب تکنیک‌های تنظیم هایپرپارامتر
• 97. فصل ۹۷: مدیریت هایپرپارامترها در پروژه‌های بزرگ
• 98. فصل ۹۸: آینده تنظیم هایپرپارامتر
• 99. فصل ۹۹: نکات عملی و ترفندها
• 100. فصل ۱۰۰: نتیجه‌گیری و توصیه‌های نهایی