دوره NUTS: پیاده‌سازی و کاربرد در دنیای واقعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره NUTS: پیاده‌سازی و کاربرد در دنیای واقعی

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: No-U-Turn Sampler (NUTS)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 2. مفاهیم پایه‌ای شبکه‌های عصبی
• 3. تابع فعال‌سازی و نقش آن
• 4. شبکه‌های پرسپترون تک‌لایه
• 5. آموزش پرسپترون و الگوریتم پس‌انتشار خطا
• 6. شبکه‌های پرسپترون چندلایه
• 7. انتخاب تابع فعال‌سازی مناسب
• 8. مدل‌های یادگیری عمیق: شبکه‌های کانولوشنی (CNN)
• 9. معماری شبکه‌های کانولوشنی
• 10. لایه‌های کانولوشن و فیلترها
• 11. لایه‌های پولینگ و کاهش ابعاد
• 12. لایه‌های تمام‌متصل در CNN
• 13. کاربردهای CNN در پردازش تصویر
• 14. مدل‌های یادگیری عمیق: شبکه‌های بازگشتی (RNN)
• 15. معماری شبکه‌های بازگشتی
• 16. حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 17. واحدهای بازگشتی دروازه‌ای (GRU)
• 18. کاربردهای RNN در پردازش زبان طبیعی
• 19. مدل‌های یادگیری عمیق: ترنسفورمرها
• 20. معماری ترنسفورمر و مکانیزم توجه
• 21. پردازش موازی در ترنسفورمرها
• 22. کاربردهای ترنسفورمر در NLP
• 23. شبکه‌های مولد تخاصمی (GAN)
• 24. معماری GAN و اجزای آن
• 25. آموزش GAN و چالش‌ها
• 26. کاربردهای GAN در تولید تصویر
• 27. پیاده‌سازی شبکه‌های عصبی با پایتورچ (PyTorch)
• 28. محیط توسعه و نصب پایتورچ
• 29. ماتریس‌ها و تنسورها در پایتورچ
• 30. محاسبه گرادیان خودکار (Autograd)
• 31. تعریف و آموزش مدل‌های ساده با پایتورچ
• 32. استفاده از GPU برای تسریع آموزش
• 33. پیاده‌سازی شبکه‌های عصبی با تنسورفلو (TensorFlow)
• 34. محیط توسعه و نصب تنسورفلو
• 35. گراف‌های محاسباتی در تنسورفلو
• 36. لایه‌های از پیش تعریف شده در تنسورفلو
• 37. مدل‌های سکوئنشال و فانکشنال API
• 38. استفاده از Keras برای ساخت مدل
• 39. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 40. تمیز کردن و نرمال‌سازی داده‌ها
• 41. مهندسی ویژگی و انتخاب ویژگی
• 42. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست
• 43. مدیریت داده‌های نامتوازن
• 44. تنظیم ابرپارامترها
• 45. بهینه‌سازها در شبکه‌های عصبی
• 46. گرادیان کاهشی تصادفی (SGD)
• 47. بهینه‌سازهای آدام (Adam) و RMSprop
• 48. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 49. تنظیم اندازه بچ (Batch Size Tuning)
• 50. تنظیم تعداد اپوک (Epoch Tuning)
• 51. تکنیک‌های تنظیم‌گری (Regularization)
• 52. کاهش بیش‌برازش (Overfitting)
• 53. تکنیک Dropout
• 54. تنظیم L1 و L2
• 55. Early Stopping
• 56. یادگیری انتقالی (Transfer Learning)
• 57. مفهوم یادگیری انتقالی
• 58. استفاده از مدل‌های از پیش آموزش‌دیده
• 59. تنظیم دقیق (Fine-tuning) مدل‌ها
• 60. کاربرد یادگیری انتقالی در پردازش تصویر
• 61. کاربرد یادگیری انتقالی در NLP
• 62. ارزیابی مدل‌های یادگیری عمیق
• 63. معیارهای ارزیابی برای طبقه‌بندی
• 64. معیارهای ارزیابی برای رگرسیون
• 65. منحنی ROC و AUC
• 66. ماتریس درهم‌ریختگی (Confusion Matrix)
• 67. تفسیر نتایج ارزیابی
• 68. کاربردهای عملی شبکه‌های عصبی در صنعت
• 69. تشخیص اشیاء در تصاویر
• 70. شناسایی چهره و تشخیص هویت
• 71. سیستم‌های توصیه‌گر
• 72. پردازش و تحلیل متن
• 73. ترجمه ماشینی
• 74. تولید متن و محتوا
• 75. تحلیل احساسات (Sentiment Analysis)
• 76. کاربرد در حوزه سلامت و پزشکی
• 77. تشخیص بیماری‌ها از روی تصاویر پزشکی
• 78. پیش‌بینی روند بیماری
• 79. مدل‌سازی مولکولی و کشف دارو
• 80. کاربرد در حوزه مالی و اقتصادی
• 81. پیش‌بینی قیمت سهام
• 82. تشخیص تقلب
• 83. تحلیل ریسک اعتباری
• 84. مدل‌سازی اقتصادسنجی با شبکه‌های عصبی
• 85. کاربرد در حوزه هوش تجاری
• 86. تحلیل رفتار مشتری
• 87. پیش‌بینی تقاضا
• 88. بهینه‌سازی فرآیندها
• 89. امنیت سایبری با یادگیری عمیق
• 90. تشخیص نفوذ و بدافزار
• 91. شناسایی فعالیت‌های مشکوک
• 92. تحلیل لاگ‌ها و رویدادها
• 93. اصول اخلاقی در هوش مصنوعی و یادگیری عمیق
• 94. مسئولیت‌پذیری در توسعه AI
• 95. شفافیت و قابلیت تفسیر مدل‌ها
• 96. سوگیری در داده‌ها و مدل‌ها
• 97. حریم خصوصی و حفاظت از داده‌ها
• 98. توسعه پایدار هوش مصنوعی
• 99. آینده یادگیری عمیق و روندهای نوین
• 100. یادگیری تقویتی (Reinforcement Learning)