دوره هوش مصنوعی: مفاهیم پایه در حوزه ادراک ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی: مفاهیم پایه در حوزه ادراک ماشین

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مفاهیم پایه و نظری هوش مصنوعی**

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و ادراک ماشین
• 2. تاریخچه هوش مصنوعی
• 3. مفاهیم کلیدی در ادراک ماشین
• 4. یادگیری ماشین چیست؟
• 5. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 6. شبکه‌های عصبی مصنوعی: مقدمه
• 7. پرسپترون و یادگیری آن
• 8. شبکه‌های عصبی عمیق
• 9. معماری‌های شبکه‌های عصبی
• 10. توابع فعال‌سازی در شبکه‌های عصبی
• 11. پس‌انتشار خطا
• 12. بهینه‌سازی شبکه‌های عصبی
• 13. روش‌های گرادیان کاهشی
• 14. مقدمه‌ای بر پردازش تصویر
• 15. نمایش دیجیتالی تصاویر
• 16. فیلترهای تصویر
• 17. تشخیص لبه در تصاویر
• 18. تشخیص ویژگی در تصاویر
• 19. استخراج ویژگی با استفاده از SIFT و SURF
• 20. مقدمه‌ای بر بینایی ماشین
• 21. مدل‌سازی سه‌بعدی از تصاویر دوبعدی
• 22. تشخیص اشیاء در تصاویر
• 23. شناسایی چهره
• 24. ردیابی اشیاء
• 25. تقسیم‌بندی تصاویر (Segmentation)
• 26. شبکه‌های کانولوشنال (CNN)
• 27. معماری‌های معروف CNN: LeNet, AlexNet, VGG
• 28. شبکه‌های عصبی کانولوشنال عمیق
• 29. کاربرد CNN در تشخیص تصویر
• 30. کاربرد CNN در طبقه‌بندی تصویر
• 31. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 32. مدل‌سازی زبان
• 33. پردازش متن
• 34. تحلیل احساسات
• 35. ترجمه ماشینی
• 36. شبکه‌های عصبی بازگشتی (RNN)
• 37. حافظه کوتاه‌مدت طولانی (LSTM)
• 38. واحد بازگشتی دروازه‌دار (GRU)
• 39. کاربرد RNN در NLP
• 40. سیستم‌های توصیه‌گر
• 41. مقدمه‌ای بر یادگیری تقویتی
• 42. محیط، عامل و پاداش
• 43. فرایند تصمیم‌گیری مارکوف (MDP)
• 44. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 45. الگوریتم‌های یادگیری تقویتی: SARSA
• 46. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 47. کاربرد یادگیری تقویتی در رباتیک
• 48. کاربرد یادگیری تقویتی در بازی‌ها
• 49. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 50. معماری GAN: مولد و ممیز
• 51. آموزش GAN
• 52. کاربرد GAN در تولید تصویر
• 53. کاربرد GAN در بهبود کیفیت تصویر
• 54. مقدمه‌ای بر مدل‌های ترنسفورمر
• 55. مکانیسم توجه (Attention Mechanism)
• 56. شبکه‌های ترنسفورمر در NLP
• 57. مدل‌های زبانی بزرگ (LLMs)
• 58. کاربرد LLMs در تولید متن
• 59. مقدمه‌ای بر ادراک صوتی
• 60. پردازش سیگنال صوتی
• 61. تشخیص گفتار
• 62. تشخیص صدا
• 63. مقدمه‌ای بر ادراک چندوجهی (Multimodal Perception)
• 64. ترکیب اطلاعات از منابع مختلف
• 65. کاربرد ادراک چندوجهی در رباتیک
• 66. کاربرد ادراک چندوجهی در سیستم‌های هوشمند
• 67. اخلاق در هوش مصنوعی
• 68. سوگیری در الگوریتم‌های هوش مصنوعی
• 69. تفسیرپذیری مدل‌های هوش مصنوعی
• 70. امنیت در سیستم‌های هوش مصنوعی
• 71. حریم خصوصی در هوش مصنوعی
• 72. مقدمه‌ای بر چارچوب‌های توسعه هوش مصنوعی
• 73. TensorFlow و Keras
• 74. PyTorch
• 75. کاربرد چارچوب‌ها در پروژه‌های عملی
• 76. فناوری‌های نوین در ادراک ماشین
• 77. هوش مصنوعی در سلامت
• 78. هوش مصنوعی در صنعت
• 79. هوش مصنوعی در حمل و نقل
• 80. هوش مصنوعی در کشاورزی
• 81. پردازش و تحلیل داده‌های بزرگ
• 82. انواع داده‌ها در ادراک ماشین
• 83. پیش‌پردازش داده‌ها
• 84. مهندسی ویژگی
• 85. ارزیابی مدل‌های ادراک ماشین
• 86. معیارهای ارزیابی طبقه‌بندی
• 87. معیارهای ارزیابی رگرسیون
• 88. اعتبارسنجی متقابل (Cross-validation)
• 89. تنظیم ابرپارامترها
• 90. بهبود عملکرد مدل‌ها
• 91. نکات پیشرفته در شبکه‌های عصبی
• 92. شبکه‌های عصبی کانولوشنال پیشرفته
• 93. شبکه‌های عصبی بازگشتی پیشرفته
• 94. تکنیک‌های منظم‌سازی (Regularization)
• 95. کاهش ابعاد (Dimensionality Reduction)
• 96. یادگیری انتقالی (Transfer Learning)
• 97. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 98. یادگیری با داده‌های کم (Few-shot Learning)
• 99. بررسی موارد مطالعاتی موفق
• 100. چالش‌های پیاده‌سازی هوش مصنوعی