دوره Weights & Biases: تسریع روند تحقیق و توسعه در هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Weights & Biases: تسریع روند تحقیق و توسعه در هوش مصنوعی

موضوع کلی: ارزیابی سیستم‌های هوش مصنوعی

موضوع میانی: Weights & Biases

📋 سرفصل‌های دوره

• 1. مقدمه بر یادگیری ماشین و یادگیری عمیق
• 2. مفاهیم پایهٔ یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها: پاک‌سازی و نرمال‌سازی
• 5. مهندسی ویژگی: انتخاب و استخراج ویژگی
• 6. مدل‌های یادگیری ماشین: رگرسیون خطی و لجستیک
• 7. دسته‌بندی‌کننده‌ها: ماشین‌های بردار پشتیبان (SVM)
• 8. درختان تصمیم و جنگل‌های تصادفی
• 9. خوشه‌بندی: الگوریتم K-Means
• 10. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 11. ارزیابی مدل: معیارهای دقت، صحت، بازیابی و F1-Score
• 12. اعتبارسنجی متقابل (Cross-Validation)
• 13. مقدمه بر یادگیری عمیق و شبکه‌های عصبی مصنوعی
• 14. ساختار شبکه‌های عصبی: نورون‌ها، لایه‌ها، توابع فعال‌سازی
• 15. پس‌انتشار خطا (Backpropagation)
• 16. بهینه‌سازی شبکه‌های عصبی: گرادیان کاهشی و مشتقات آن
• 17. نرخ یادگیری و تنظیم آن
• 18. تنظیم‌کننده‌ها: L1 و L2
• 19. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 20. معماری‌های CNN: LeNet، AlexNet، VGG، ResNet
• 21. کاربردهای CNN: تشخیص اشیاء، بخش‌بندی تصویر
• 22. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 23. حافظه طولانی کوتاه‌مدت (LSTM) و واحد بازگشتی دروازه‌ای (GRU)
• 24. کاربردهای RNN: پردازش زبان طبیعی، پیش‌بینی سری‌های زمانی
• 25. مقدمه بر چارچوب Weights & Biases (W&B)
• 26. نصب و راه‌اندازی W&B
• 27. ثبت و ردیابی آزمایش‌ها در W&B
• 28. تجسم نتایج آزمایش‌ها در W&B
• 29. مقایسهٔ مدل‌ها و هایپرپارامترها در W&B
• 30. مدیریت پروژه و تیم در W&B
• 31. استفاده از W&B برای گزارش‌دهی و اشتراک‌گذاری
• 32. ادغام W&B با چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 33. تنظیم خودکار هایپرپارامترها با W&B
• 34. جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی (Random Search)
• 35. بهینه‌سازی بیزی (Bayesian Optimization)
• 36. استفاده از ابزارهای W&B برای تسریع تحقیق و توسعه
• 37. مقدمه بر پردازش زبان طبیعی (NLP)
• 38. توکن‌سازی و نرمال‌سازی متن
• 39. تعبیه‌های کلمه: Word2Vec، GloVe
• 40. مدل‌های زبانی: N-gram
• 41. شبکه‌های عصبی ترنسفورمر (Transformer)
• 42. مکانیسم توجه (Attention Mechanism)
• 43. مدل‌های زبانی بزرگ (LLMs): GPT، BERT
• 44. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 45. کاربردهای NLP: ترجمه ماشینی، خلاصه‌سازی متن
• 46. تحلیل احساسات و طبقه‌بندی متن
• 47. شناسایی موجودیت نام‌گذاری شده (NER)
• 48. سیستم‌های پرسش و پاسخ
• 49. مقدمه بر بینایی ماشین (Computer Vision)
• 50. پردازش اولیهٔ تصویر: فیلترها، لبه‌یابی
• 51. استخراج ویژگی‌های تصویر: SIFT، SURF
• 52. تشخیص و شناسایی اشیاء
• 53. بخش‌بندی معنایی و نمونه‌ای تصویر
• 54. تولید تصویر: شبکه‌های مولد تخاصمی (GANs)
• 55. کاربردهای بینایی ماشین: خودروهای خودران، پزشکی
• 56. مقدمه بر یادگیری تقویتی (Reinforcement Learning)
• 57. مفاهیم پایه: عامل، محیط، پاداش، حالت
• 58. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 59. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 60. شبکه‌های عصبی Q-Learning عمیق (DQN)
• 61. الگوریتم‌های مبتنی بر گرادیان سیاست (Policy Gradient)
• 62. کاربردهای یادگیری تقویتی: بازی‌ها، رباتیک
• 63. مقدمه بر MLOps (Machine Learning Operations)
• 64. چرخهٔ حیات مدل یادگیری ماشین
• 65. استقرار مدل (Model Deployment)
• 66. نظارت بر مدل در محیط عملیاتی
• 67. نسخه‌بندی مدل و داده
• 68. اتوماسیون خطوط لولهٔ یادگیری ماشین (ML Pipelines)
• 69. امنیت در یادگیری ماشین
• 70. اخلاق در هوش مصنوعی
• 71. حریم خصوصی داده‌ها در هوش مصنوعی
• 72. سوگیری (Bias) در مدل‌های هوش مصنوعی و راه‌های مقابله
• 73. شفافیت و تفسیرپذیری مدل‌ها (Explainable AI)
• 74. آیندهٔ هوش مصنوعی و روندهای نوظهور
• 75. کاربرد هوش مصنوعی در صنایع مختلف (با تأکید بر حوزه‌های مجاز)
• 76. مقدمه بر داده‌های حجیم (Big Data)
• 77. ابزارها و تکنولوژی‌های کلان داده
• 78. پردازش داده‌های حجیم با Apache Spark
• 79. امنیت داده‌های حجیم
• 80. کاربرد داده‌های حجیم در تحقیقات و توسعه