دوره یادگیری عمیق با انتشار پس‌انتشار (Backpropagation) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق با انتشار پس‌انتشار (Backpropagation)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی و الگوریتم‌های یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. معرفی شبکه‌های عصبی مصنوعی
• 5. ساختار نورون مصنوعی
• 6. توابع فعال‌سازی در شبکه‌های عصبی
• 7. مقدمه‌ای بر انتشار پس‌انتشار (Backpropagation)
• 8. محاسبه گرادیان در انتشار پس‌انتشار
• 9. آموزش شبکه‌های عصبی تک‌لایه
• 10. شبکه‌های عصبی چندلایه
• 11. معماری شبکه‌های عصبی پیشخور
• 12. تابع هزینه و معیارهای ارزیابی
• 13. بهینه‌سازی در آموزش شبکه‌های عصبی
• 14. گرادیان کاهشی تصادفی (SGD)
• 15. سرعت یادگیری و تنظیم آن
• 16. مومنتوم در بهینه‌سازی
• 17. آدام (Adam) و سایر بهینه‌سازهای پیشرفته
• 18. تنظیم فراپارامترها
• 19. روش‌های منظم‌سازی (Regularization)
• 20. منظم‌سازی L1 و L2
• 21. دراپ‌اوت (Dropout)
• 22. افزایش داده (Data Augmentation)
• 23. شبکه‌های عصبی کانولوشنال (CNN)
• 24. مفاهیم کانولوشن و پولینگ
• 25. کاربرد CNN در پردازش تصویر
• 26. معماری‌های معروف CNN (مانند LeNet، AlexNet)
• 27. شبکه‌های عصبی بازگشتی (RNN)
• 28. مکانیسم حافظه در RNN
• 29. کاربرد RNN در پردازش زبان طبیعی
• 30. شبکه‌های LSTM و GRU
• 31. معماری‌های پیشرفته RNN
• 32. شبکه‌های مولد تخاصمی (GAN)
• 33. مقدمه‌ای بر یادگیری تقویتی
• 34. مبانی یادگیری تقویتی
• 35. عوامل و محیط در یادگیری تقویتی
• 36. یادگیری سیاست و ارزش
• 37. الگوریتم‌های Q-Learning
• 38. الگوریتم‌های Policy Gradient
• 39. کاربرد یادگیری تقویتی در بازی‌ها
• 40. شبکه‌های عصبی ترنسفورمر (Transformer)
• 41. مکانیزم توجه (Attention Mechanism)
• 42. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 43. مدل‌های زبانی بزرگ (LLMs)
• 44. مقدمه‌ای بر پردازش زبان طبیعی
• 45. توکن‌سازی و واژگان‌سازی
• 46. نمایش کلمات (Word Embeddings)
• 47. مدل‌های زبانی آماری
• 48. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 49. تحلیل احساسات با یادگیری ماشین
• 50. طبقه‌بندی متن
• 51. خلاصه‌سازی متن
• 52. ترجمه ماشینی
• 53. سیستم‌های توصیه‌گر
• 54. مبانی سیستم‌های توصیه‌گر
• 55. فیلترینگ مشارکتی
• 56. فیلترینگ مبتنی بر محتوا
• 57. یادگیری عمیق در سیستم‌های توصیه‌گر
• 58. کاربرد یادگیری عمیق در تشخیص پزشکی
• 59. بینایی ماشین و پردازش تصویر
• 60. تشخیص اشیاء (Object Detection)
• 61. تقسیم‌بندی تصویر (Image Segmentation)
• 62. تولید تصویر با یادگیری عمیق
• 63. شبکه‌های عصبی گراف (GNN)
• 64. کاربرد GNN در شبکه‌های اجتماعی
• 65. کاربرد GNN در شیمی و داروسازی
• 66. هوش مصنوعی قابل توضیح (XAI)
• 67. تفسیرپذیری مدل‌های یادگیری عمیق
• 68. روش‌های توضیح‌پذیری مدل‌ها
• 69. اخلاق در هوش مصنوعی
• 70. سوگیری در داده‌ها و مدل‌ها
• 71. حریم خصوصی در هوش مصنوعی
• 72. امنیت در مدل‌های یادگیری عمیق
• 73. حملات متخاصم به شبکه‌های عصبی
• 74. روش‌های دفاع در برابر حملات
• 75. کاربرد هوش مصنوعی در صنعت
• 76. کاربرد هوش مصنوعی در مالی
• 77. کاربرد هوش مصنوعی در کشاورزی
• 78. کاربرد هوش مصنوعی در حمل و نقل
• 79. آینده هوش مصنوعی و یادگیری عمیق
• 80. چالش‌های پیش رو در هوش مصنوعی
• 81. راهبردهای تحقیق و توسعه در هوش مصنوعی
• 82. یادگیری عمیق بدون نظارت
• 83. یادگیری عمیق نیمه‌نظارتی
• 84. یادگیری انتقالی (Transfer Learning)
• 85. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 86. معماری‌های عصبی پیشرفته
• 87. شبکه‌های عصبی گراف کانولوشنال
• 88. روش‌های تولید متن پیشرفته
• 89. مدل‌های زبانی مولد
• 90. یادگیری عمیق توزیع‌شده
• 91. آموزش مدل‌های بزرگ
• 92. بهینه‌سازی سخت‌افزاری برای یادگیری عمیق
• 93. واحد پردازش گرافیکی (GPU)
• 94. شتاب‌دهنده‌های هوش مصنوعی
• 95. ملاحظات پیاده‌سازی در مقیاس بزرگ
• 96. پایپ‌لاین‌های داده برای یادگیری عمیق
• 97. ارزیابی و اعتبارسنجی مدل‌ها
• 98. نکات عملی در توسعه مدل‌های یادگیری عمیق
• 99. مدیریت پروژه در هوش مصنوعی
• 100. مستندسازی مدل‌ها و کدها