دوره مبانی و کاربردهای شبکه‌های عصبی در هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای شبکه‌های عصبی در هوش مصنوعی

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
• 2. تاریخچه مختصر هوش مصنوعی
• 3. تعریف یادگیری ماشین
• 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 5. کاربردها و اهمیت یادگیری ماشین
• 6. معرفی شبکه‌های عصبی مصنوعی
• 7. مبانی نورون مصنوعی (پرسپترون)
• 8. توابع فعال‌سازی و نقش آن‌ها
• 9. مدل پرسپترون تک لایه
• 10. محدودیت‌های پرسپترون تک لایه
• 11. شبکه‌های عصبی چند لایه (MLP)
• 12. معماری شبکه‌های عصبی چند لایه
• 13. تابع هزینه و تابع زیان
• 14. روش پس‌انتشار خطا (Backpropagation)
• 15. آموزش شبکه‌های عصبی با پس‌انتشار
• 16. بهینه‌سازی پارامترها: گرادیان کاهشی
• 17. انواع روش‌های گرادیان کاهشی
• 18. تنظیم نرخ یادگیری
• 19. تنظیمات اولیه وزن‌ها
• 20. روش‌های منظم‌سازی (Regularization)
• 21. لغو منظم‌سازی (Dropout)
• 22. نرمال‌سازی دسته‌ای (Batch Normalization)
• 23. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 24. مهندسی ویژگی (Feature Engineering)
• 25. تقسیم داده‌ها: آموزش، اعتبارسنجی، آزمون
• 26. ارزیابی مدل: دقت، صحت، بازیابی
• 27. ماتریس درهم‌ریختگی (Confusion Matrix)
• 28. منحنی ROC و سطح زیر منحنی (AUC)
• 29. شبکه‌های عصبی کانولوشنی (CNN)
• 30. معماری CNN: لایه‌های کانولوشن، پولینگ، تماماً متصل
• 31. کاربرد CNN در پردازش تصویر
• 32. شبکه‌های عصبی بازگشتی (RNN)
• 33. معماری RNN: حلقه‌ها و حالت پنهان
• 34. کاربرد RNN در پردازش زبان طبیعی
• 35. شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)
• 36. معماری LSTM: گیت‌ها و سلول حافظه
• 37. کاربرد LSTM در پردازش توالی
• 38. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 39. مقایسه LSTM و GRU
• 40. شبکه‌های عصبی ترنسفورمر (Transformer)
• 41. مکانیزم توجه (Attention Mechanism)
• 42. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 43. یادگیری عمیق (Deep Learning)
• 44. تفاوت یادگیری عمیق با یادگیری ماشین سنتی
• 45. مدل‌های یادگیری عمیق پیشرفته
• 46. شبکه‌های مولد تخاصمی (GAN)
• 47. معماری GAN: مولد و متمایزکننده
• 48. کاربرد GAN در تولید داده
• 49. خودرمزگذارها (Autoencoders)
• 50. معماری خودرمزگذار: رمزگذار و رمزگشا
• 51. کاربرد خودرمزگذار در کاهش ابعاد
• 52. شبکه‌های عصبی گرافی (GNN)
• 53. معماری GNN
• 54. کاربرد GNN در تحلیل شبکه‌ها
• 55. یادگیری انتقالی (Transfer Learning)
• 56. فرایند یادگیری انتقالی
• 57. کاربرد یادگیری انتقالی در حوزه‌های مختلف
• 58. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 59. الگوریتم‌های یادگیری تقویتی عمیق
• 60. کاربرد یادگیری تقویتی عمیق
• 61. اخلاق در هوش مصنوعی و یادگیری ماشین
• 62. سوگیری در داده‌ها و مدل‌ها
• 63. تفسیرپذیری مدل‌های هوش مصنوعی
• 64. امنیت در شبکه‌های عصبی
• 65. حریم خصوصی و حفاظت از داده‌ها
• 66. کاربردهای هوش مصنوعی در اقتصاد اسلامی
• 67. مبانی بانکداری بدون ربا و عقود اسلامی
• 68. مدل‌سازی ریسک در چارچوب فقهی
• 69. تحلیل داده‌های اقتصادی با رویکرد اسلامی
• 70. فناوری بلاکچین و کاربردهای آن
• 71. رمزارزها در چارچوب مقررات بانک مرکزی
• 72. کاربرد هوش مصنوعی در بهداشت و درمان
• 73. تشخیص بیماری با شبکه‌های عصبی
• 74. توسعه داروها و درمان با هوش مصنوعی
• 75. پردازش زبان طبیعی در حوزه‌های تخصصی
• 76. تحلیل متون دینی با هوش مصنوعی
• 77. استخراج اطلاعات از متون تاریخی
• 78. کاربرد هوش مصنوعی در آموزش
• 79. سیستم‌های توصیه‌گر آموزشی
• 80. شخصی‌سازی فرآیند یادگیری
• 81. هوش مصنوعی و مسائل اجتماعی
• 82. عدالت اجتماعی و هوش مصنوعی
• 83. تأثیر هوش مصنوعی بر بازار کار
• 84. مقایسه رویکردهای مختلف در هوش مصنوعی
• 85. چالش‌های پیش رو در توسعه هوش مصنوعی
• 86. آینده هوش مصنوعی و یادگیری ماشین
• 87. توسعه پایدار با هوش مصنوعی
• 88. کاربرد هوش مصنوعی در کشاورزی هوشمند
• 89. مدیریت منابع آب با هوش مصنوعی
• 90. پیش‌بینی آب و هوا با شبکه‌های عصبی
• 91. هوش مصنوعی در صنعت و تولید
• 92. بهینه‌سازی فرآیندهای تولید
• 93. کنترل کیفیت با استفاده از هوش مصنوعی
• 94. هوش مصنوعی در حمل و نقل
• 95. سیستم‌های خودران و ایمنی
• 96. بهینه‌سازی ترافیک شهری
• 97. هوش مصنوعی در امنیت سایبری
• 98. شناسایی تهدیدات و نفوذ
• 99. مدیریت ریسک امنیتی
• 100. هوش مصنوعی و هنر دیجیتال