دوره ساخت و پیاده‌سازی شبکه‌های عصبی در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و پیاده‌سازی شبکه‌های عصبی در پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و مهندسی نرم‌افزار
• 2. مبانی یادگیری ماشین
• 3. مقدمه‌ای بر شبکه‌های عصبی
• 4. معماری‌های پایه شبکه‌های عصبی
• 5. توابع فعال‌سازی در شبکه‌های عصبی
• 6. تابع هزینه و بهینه‌سازی
• 7. گرادیان کاهشی و مشتقات
• 8. پس‌انتشار خطا (Backpropagation)
• 9. پیاده‌سازی شبکه‌های عصبی ساده با پایتون
• 10. نشر رو به جلو (Forward Propagation)
• 11. آموزش مدل و اعتبارسنجی
• 12. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 13. تنظیم نرخ یادگیری
• 14. روش‌های بهینه‌سازی پیشرفته
• 15. بهینه‌سازهای مبتنی بر گرادیان
• 16. Momentum و Adagrad
• 17. RMSprop و Adam
• 18. تنظیمات اولیه وزن‌ها
• 19. نرمال‌سازی دسته‌ای (Batch Normalization)
• 20. تنظیم‌کننده‌ها (Regularization)
• 21. L1 و L2 Regularization
• 22. Dropout
• 23. شبکه‌های عصبی پیچیده‌تر
• 24. شبکه‌های عصبی کانولوشنال (CNN)
• 25. لایه‌های کانولوشن
• 26. لایه‌های Pooling
• 27. کاربرد CNN در پردازش تصویر
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. سلول‌های RNN ساده
• 30. حافظه در RNN
• 31. کاربرد RNN در پردازش زبان طبیعی
• 32. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 33. سلول‌های LSTM
• 34. کاربرد LSTM
• 35. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 36. سلول‌های GRU
• 37. کاربرد GRU
• 38. مدل‌های ترنسفورمر (Transformer)
• 39. مکانیزم توجه (Attention Mechanism)
• 40. کدگذار-رمزگشا (Encoder-Decoder)
• 41. پردازش زبان طبیعی پیشرفته
• 42. مدل‌های زبانی
• 43. تولید متن
• 44. ترجمه ماشینی
• 45. خلاصه‌سازی متن
• 46. تحلیل احساسات
• 47. سیستم‌های توصیه‌گر
• 48. مبانی سیستم‌های توصیه‌گر
• 49. فیلترینگ مشارکتی
• 50. فیلترینگ مبتنی بر محتوا
• 51. ترکیب روش‌ها
• 52. یادگیری عمیق برای پردازش تصویر
• 53. تشخیص اشیاء
• 54. تقسیم‌بندی تصویر
• 55. تولید تصویر
• 56. شبکه‌های زایشی تخاصمی (GAN)
• 57. معماری GAN
• 58. آموزش GAN
• 59. کاربرد GAN
• 60. یادگیری تقویتی (Reinforcement Learning)
• 61. مبانی یادگیری تقویتی
• 62. عامل و محیط
• 63. پاداش و جریمه
• 64. سیاست (Policy)
• 65. مقدار (Value)
• 66. یادگیری Q
• 67. یادگیری عمیق تقویتی
• 68. کاربرد یادگیری تقویتی
• 69. شبکه‌های عصبی در داده‌های سری زمانی
• 70. پیش‌بینی سری زمانی
• 71. تشخیص ناهنجاری در سری زمانی
• 72. پردازش داده‌های نامتعادل
• 73. روش‌های نمونه‌برداری
• 74. SMOTE
• 75. تکنیک‌های ارزیابی مدل
• 76. متریک‌های ارزیابی
• 77. دقت، صحت، بازیابی
• 78. F1-Score
• 79. منحنی ROC و AUC
• 80. تنظیمات پیشرفته شبکه‌های عصبی
• 81. یادگیری انتقالی (Transfer Learning)
• 82. تنظیم دقیق (Fine-tuning)
• 83. معماری‌های از پیش آموزش‌دیده
• 84. کاربرد یادگیری انتقالی
• 85. شبکه‌های عصبی برای گراف‌ها (GNN)
• 86. مبانی GNN
• 87. لایه‌های GNN
• 88. کاربرد GNN
• 89. ملاحظات عملی در پیاده‌سازی
• 90. انتخاب چارچوب مناسب (TensorFlow, PyTorch)
• 91. بهینه‌سازی عملکرد کد
• 92. استفاده از GPU
• 93. اشکال‌زدایی مدل‌های یادگیری ماشین
• 94. نمایش و مصورسازی نتایج
• 95. انتشار مدل‌های یادگیری ماشین
• 96. ملاحظات اخلاقی در هوش مصنوعی
• 97. سوگیری در داده‌ها و مدل‌ها
• 98. شفافیت و قابلیت توضیح‌پذیری
• 99. امنیت مدل‌های هوش مصنوعی
• 100. مقررات و استانداردهای مربوط به هوش مصنوعی در ایران