دوره GANهای گام به گام: از تئوری تا پیاده‌سازی عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره GANهای گام به گام: از تئوری تا پیاده‌سازی عملی

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: شبکه های مولد تخاصمی (Generative Adversarial Networks - GANs)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 2. مبانی یادگیری عمیق برای GANها
• 3. شبکه‌های عصبی کانولوشنال (CNN)
• 4. شبکه‌های عصبی بازگشتی (RNN)
• 5. تابع زیان و بهینه‌سازی در یادگیری عمیق
• 6. مفاهیم اساسی یادگیری ماشین
• 7. انواع داده‌ها و پیش‌پردازش آن‌ها
• 8. ارزیابی مدل‌های یادگیری ماشین
• 9. نصب و راه‌اندازی محیط توسعه پایتون
• 10. کتابخانه‌های ضروری: TensorFlow و PyTorch
• 11. مقدمه‌ای بر شبکه‌های مولد
• 12. مفهوم شبکه‌های تخاصمی (Adversarial Networks)
• 13. معماری پایه GAN
• 14. مولد (Generator) چیست؟
• 15. ممیز (Discriminator) چیست؟
• 16. فرآیند آموزش GAN
• 17. چالش‌های آموزش GANها
• 18. عدم پایداری در آموزش
• 19. حالت انفجار گرادیان (Exploding Gradients)
• 20. حالت محوشدگی گرادیان (Vanishing Gradients)
• 21. راهکارهای پایداری در آموزش GAN
• 22. بهینه‌سازهای پیشرفته برای GAN
• 23. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 24. تکنیک‌های منظم‌سازی (Regularization)
• 25. GANهای پیشرفته: DCGAN
• 26. معماری DCGAN
• 27. مزایای DCGAN نسبت به GAN پایه
• 28. کاربردهای DCGAN
• 29. GANهای پیشرفته: Conditional GAN (cGAN)
• 30. مفهوم GAN شرطی
• 31. معماری cGAN
• 32. کاربردهای cGAN در تولید تصاویر مشروط
• 33. GANهای پیشرفته: CycleGAN
• 34. مفهوم انتقال سبک تصویر (Style Transfer)
• 35. معماری CycleGAN
• 36. کاربردهای CycleGAN
• 37. GANهای پیشرفته: StyleGAN
• 38. مفهوم کنترل سبک در تولید تصویر
• 39. معماری StyleGAN
• 40. کاربردهای StyleGAN
• 41. GANهای پیشرفته: BigGAN
• 42. معماری BigGAN
• 43. کاربردهای BigGAN در تولید تصاویر با کیفیت بالا
• 44. GANهای پیشرفته: ProGAN
• 45. مفهوم آموزش تدریجی (Progressive Growing)
• 46. معماری ProGAN
• 47. کاربردهای ProGAN
• 48. GANهای پیشرفته: WGAN و WGAN-GP
• 49. مفهوم فاصله واشرشتاین (Wasserstein Distance)
• 50. معماری WGAN
• 51. راهکار WGAN-GP
• 52. کاربردهای WGAN
• 53. تولید متن با GAN
• 54. مبانی تولید متن
• 55. معماری GAN برای تولید متن
• 56. چالش‌های تولید متن با GAN
• 57. کاربردهای GAN در پردازش زبان طبیعی
• 58. تولید تصویر از متن (Text-to-Image Synthesis)
• 59. مبانی تولید تصویر از متن
• 60. معماری‌های ترکیبی برای Text-to-Image
• 61. کاربردهای Text-to-Image GAN
• 62. تولید ویدئو با GAN
• 63. مبانی تولید ویدئو
• 64. معماری‌های GAN برای تولید ویدئو
• 65. چالش‌های تولید ویدئو با GAN
• 66. کاربردهای GAN در تولید ویدئو
• 67. GANها در بهبود کیفیت تصاویر (Image Super-Resolution)
• 68. مفهوم افزایش وضوح تصویر
• 69. معماری‌های GAN برای Super-Resolution
• 70. کاربردهای GAN در Super-Resolution
• 71. GANها در حذف نویز تصاویر (Image Denoising)
• 72. مفهوم حذف نویز
• 73. معماری‌های GAN برای Denoising
• 74. کاربردهای GAN در Denoising
• 75. GANها در نقاشی دیجیتال و طراحی (Digital Painting & Art)
• 76. مبانی نقاشی دیجیتال
• 77. کاربرد GAN در خلق آثار هنری
• 78. ارزیابی و معیارهای کیفیت در GANها
• 79. شاخص‌های کلیدی عملکرد (KPIs)
• 80. معیارهای FID (Fréchet Inception Distance)
• 81. معیارهای IS (Inception Score)
• 82. معیارهای دیگر ارزیابی
• 83. ملاحظات اخلاقی و مسئولیت‌پذیری در استفاده از GAN
• 84. سوگیری در داده‌ها و مدل‌ها
• 85. تولید محتوای جعلی (Deepfakes)
• 86. راهکارهای تشخیص محتوای تولید شده توسط GAN
• 87. پیاده‌سازی عملی GAN با TensorFlow
• 88. مثال عملی: تولید ارقام دست‌نویس MNIST
• 89. پیاده‌سازی عملی GAN با PyTorch
• 90. مثال عملی: تولید تصاویر CIFAR-10
• 91. بهینه‌سازی و تنظیم پارامترهای GAN
• 92. عیب‌یابی مشکلات رایج در آموزش GAN
• 93. مفاهیم پیشرفته‌تر در حوزه GAN
• 94. GANهای مولد تصاویر سه‌بعدی
• 95. GANها در حوزه پزشکی و سلامت
• 96. GANها در حوزه بازی‌سازی
• 97. مباحث پیشرفته در معماری‌های GAN
• 98. آینده GANها و تحقیقات نوظهور
• 99. کارگاه عملی: ساخت یک GAN ساده
• 100. تمرین: پیاده‌سازی یک GAN پیشرفته