دوره مبانی یادگیری عمیق با TensorFlow برای توسعه‌دهندگان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری عمیق با TensorFlow برای توسعه‌دهندگان

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و یادگیری عمیق
• 2. نصب و راه‌اندازی TensorFlow
• 3. ساختار داده‌ها در TensorFlow: تنسورها
• 4. عملیات پایه بر روی تنسورها
• 5. تابع‌نویسی با TensorFlow
• 6. بهینه‌سازی و کامپایل توابع با TensorFlow
• 7. مقدمه‌ای بر شبکه‌های عصبی
• 8. نورون مصنوعی و تابع فعال‌سازی
• 9. معماری شبکه‌های عصبی پیشخور
• 10. تابع هزینه و معیارهای ارزیابی
• 11. روش پس‌انتشار خطا (Backpropagation)
• 12. بهینه‌سازهای رایج در شبکه‌های عصبی
• 13. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 14. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 15. بررسی و اعتبارسنجی مدل‌ها (Validation Sets)
• 16. مدل‌های دسته‌بندی (Classification Models)
• 17. مدل‌های رگرسیون (Regression Models)
• 18. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 19. لایه‌های کانولوشنال و پولینگ
• 20. معماری‌های معروف CNN (مانند LeNet)
• 21. کاربرد CNN در پردازش تصویر
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. حافظه کوتاه مدت در RNN
• 24. شبکه حافظه طولانی کوتاه مدت (LSTM)
• 25. شبکه واحد بازگشتی (GRU)
• 26. کاربرد RNN در پردازش زبان طبیعی
• 27. کلمه‌سازی و بردارهای کلمه (Word Embeddings)
• 28. مدل‌های زبانی با RNN
• 29. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 30. معماری GAN و نحوه آموزش
• 31. کاربرد GAN در تولید تصویر
• 32. یادگیری انتقالی (Transfer Learning)
• 33. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 34. معماری‌های مدرن CNN (مانند VGG، ResNet)
• 35. شبکه‌های عصبی ترنسفورمر (Transformer)
• 36. مکانیزم توجه (Attention Mechanism)
• 37. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 38. مدل‌های ترنسفورمر برای بینایی ماشین
• 39. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 40. عوامل و محیط در یادگیری تقویتی
• 41. یادگیری Q (Q-Learning)
• 42. یادگیری عمیق Q (Deep Q-Networks - DQN)
• 43. کاربرد یادگیری تقویتی در بازی‌ها
• 44. کاربرد یادگیری تقویتی در رباتیک
• 45. مباحث پیشرفته در شبکه‌های عصبی
• 46. تنظیم فراپارامترها (Hyperparameter Tuning)
• 47. روش‌های منظم‌سازی (Regularization Techniques)
• 48. کاهش ابعاد (Dimensionality Reduction)
• 49. تحلیل مؤلفه‌های اصلی (PCA)
• 50. دسته‌بندی با استفاده از PCA
• 51. خوشه‌بندی (Clustering)
• 52. الگوریتم K-Means
• 53. کاربرد خوشه‌بندی در تحلیل داده
• 54. شبکه‌های عصبی گراف (Graph Neural Networks - GNN)
• 55. مقدمه‌ای بر داده‌های گراف
• 56. کاربرد GNN در شبکه‌های اجتماعی
• 57. کاربرد GNN در کشف دارو
• 58. شبکه‌های عصبی برای داده‌های سری زمانی
• 59. پیش‌بینی سری‌های زمانی
• 60. کاربرد شبکه‌های عصبی در بازارهای مالی
• 61. ملاحظات اخلاقی در هوش مصنوعی
• 62. سوگیری در داده‌ها و مدل‌ها
• 63. مسئولیت‌پذیری در هوش مصنوعی
• 64. حریم خصوصی و امنیت در هوش مصنوعی
• 65. هوش مصنوعی قابل توضیح (Explainable AI - XAI)
• 66. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 67. تحلیل احساسات (Sentiment Analysis)
• 68. طبقه‌بندی متن (Text Classification)
• 69. تشخیص موجودیت نام‌گذاری شده (Named Entity Recognition - NER)
• 70. خلاصه‌سازی متن (Text Summarization)
• 71. ترجمه ماشینی (Machine Translation)
• 72. سیستم‌های پرسش و پاسخ (Question Answering Systems)
• 73. تولید متن (Text Generation)
• 74. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 75. شناسایی اشیاء (Object Detection)
• 76. تقسیم‌بندی تصویر (Image Segmentation)
• 77. تولید زیرنویس تصویر (Image Captioning)
• 78. تشخیص چهره (Face Recognition)
• 79. مقدمه‌ای بر یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 80. کاربرد یادگیری نیمه‌نظارتی
• 81. مقدمه‌ای بر یادگیری خودنظارتی (Self-Supervised Learning)
• 82. کاربرد یادگیری خودنظارتی
• 83. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 84. حفظ حریم خصوصی در یادگیری فدرال
• 85. کاربرد یادگیری فدرال
• 86. معماری‌های پیشرفته شبکه عصبی
• 87. شبکه‌های عصبی پراکنده (Sparse Neural Networks)
• 88. شبکه‌های عصبی دینامیک (Dynamic Neural Networks)
• 89. شبکه‌های عصبی کوانتومی (Quantum Neural Networks)
• 90. مقدمه‌ای بر پردازش سیگنال با یادگیری عمیق
• 91. کاربرد یادگیری عمیق در پردازش صوت
• 92. کاربرد یادگیری عمیق در پردازش سیگنال‌های زیستی
• 93. مقدمه‌ای بر بهینه‌سازی در یادگیری عمیق
• 94. روش‌های بهینه‌سازی تصادفی
• 95. بهینه‌سازهای تطبیقی (Adaptive Optimizers)
• 96. بهینه‌سازی با استفاده از گرادیان کاهشی دسته‌ای
• 97. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 98. روش‌های انتخاب ویژگی
• 99. کاربرد مهندسی ویژگی در مدل‌های کلاسیک
• 100. مقدمه‌ای بر ارزیابی مدل‌های یادگیری عمیق