دوره مبانی یادگیری عمیق با TensorFlow و پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری عمیق با TensorFlow و پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربرد هوش مصنوعی در دنیای امروز
• 5. معرفی کتابخانه TensorFlow
• 6. نصب و پیکربندی TensorFlow
• 7. ساختار داده در TensorFlow: تنسورها
• 8. عملیات پایه روی تنسورها
• 9. رگرسیون خطی با TensorFlow
• 10. رگرسیون چندجمله‌ای با TensorFlow
• 11. آموزش مدل‌های رگرسیون
• 12. ارزیابی مدل‌های رگرسیون
• 13. مقدمه ای بر شبکه‌های عصبی مصنوعی
• 14. نورون مصنوعی و توابع فعال‌سازی
• 15. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 16. تابع هزینه (Loss Function)
• 17. بهینه‌سازی مدل: گرادیان کاهشی (Gradient Descent)
• 18. پس‌انتشار خطا (Backpropagation)
• 19. پیاده‌سازی شبکه‌های عصبی ساده با TensorFlow
• 20. طبقه‌بندی با شبکه‌های عصبی
• 21. رگرسیون لجستیک (Logistic Regression)
• 22. طبقه‌بندی دودویی
• 23. طبقه‌بندی چندکلاسه
• 24. شبکه‌های عصبی کانولوشنال (CNN)
• 25. مقدمه ای بر CNN
• 26. لایه‌های کانولوشن و پولینگ
• 27. معماری‌های رایج CNN
• 28. کاربرد CNN در پردازش تصویر
• 29. آموزش مدل‌های CNN
• 30. شبکه‌های عصبی بازگشتی (RNN)
• 31. مقدمه ای بر RNN
• 32. مدل‌های RNN ساده
• 33. شبکه حافظه کوتاه‌مدت طولانی (LSTM)
• 34. واحد بازگشتی دروازه‌ای (GRU)
• 35. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 36. آموزش مدل‌های RNN
• 37. یادگیری عمیق و مفاهیم پیشرفته
• 38. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 39. روش‌های منظم‌سازی (Regularization)
• 40. حذف بیش‌برازش (Overfitting)
• 41. یادگیری انتقالی (Transfer Learning)
• 42. شبکه‌های مولد تخاصمی (GANs)
• 43. مقدمه ای بر GANs
• 44. کاربرد GANs
• 45. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 46. مقدمه ای بر Autoencoders
• 47. کاربرد Autoencoders
• 48. پردازش زبان طبیعی با یادگیری عمیق
• 49. مدل‌های زبانی (Language Models)
• 50. کاربرد مدل‌های زبانی
• 51. مدل‌های ترنسفورمر (Transformers)
• 52. مقدمه ای بر ترنسفورمرها
• 53. کاربرد ترنسفورمرها در NLP
• 54. کاربرد یادگیری عمیق در تشخیص الگو
• 55. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
• 56. کاربرد یادگیری عمیق در رباتیک
• 57. کاربرد یادگیری عمیق در هوش مصنوعی مولد
• 58. مبانی ریاضی یادگیری عمیق
• 59. جبر خطی در یادگیری عمیق
• 60. حساب دیفرانسیل و انتگرال در یادگیری عمیق
• 61. احتمال و آمار در یادگیری عمیق
• 62. پیاده‌سازی مدل‌های پیچیده‌تر با TensorFlow
• 63. استفاده از Keras API در TensorFlow
• 64. ساخت مدل‌های سفارشی با TensorFlow
• 65. مدیریت داده‌ها برای یادگیری عمیق
• 66. پیش‌پردازش داده‌ها
• 67. افزایش داده (Data Augmentation)
• 68. ارزیابی مدل‌های یادگیری عمیق
• 69. بهینه‌سازی عملکرد مدل‌ها
• 70. مقدمه ای بر یادگیری تقویتی
• 71. مفاهیم پایه یادگیری تقویتی
• 72. الگوریتم‌های یادگیری تقویتی
• 73. کاربرد یادگیری تقویتی
• 74. اخلاق در هوش مصنوعی
• 75. سوگیری در مدل‌های هوش مصنوعی
• 76. شفافیت و توضیح‌پذیری مدل‌ها
• 77. حریم خصوصی در هوش مصنوعی
• 78. آینده هوش مصنوعی و یادگیری عمیق
• 79. پروژه‌های عملی با TensorFlow
• 80. تحلیل داده‌های سری زمانی با TensorFlow
• 81. تشخیص اشیاء در تصاویر با TensorFlow
• 82. تولید متن با TensorFlow
• 83. تولید موسیقی با TensorFlow
• 84. مقدمه ای بر یادگیری نیمه نظارت شده
• 85. یادگیری با داده‌های برچسب‌دار و بدون برچسب
• 86. کاربرد یادگیری نیمه نظارت شده
• 87. مقدمه ای بر یادگیری چندوظیفه‌ای
• 88. آموزش مدل برای چندین وظیفه همزمان
• 89. کاربرد یادگیری چندوظیفه‌ای
• 90. مقدمه ای بر یادگیری فدرال
• 91. حفظ حریم خصوصی در یادگیری ماشین
• 92. کاربرد یادگیری فدرال
• 93. مقدمه ای بر یادگیری تقویتی عمیق
• 94. ترکیب یادگیری عمیق و یادگیری تقویتی
• 95. کاربرد یادگیری تقویتی عمیق
• 96. مقدمه ای بر یادگیری با دانش قبلی
• 97. استفاده از دانش موجود برای حل مسائل جدید
• 98. کاربرد یادگیری با دانش قبلی
• 99. مقدمه ای بر شبکه‌های عصبی گراف (GNN)
• 100. پردازش داده‌های ساختاریافته در گراف‌ها