دوره یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق و شبکه‌های عصبی کانولوشنی (CNN)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: الگوریتم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 5. مهندسی ویژگی: انتخاب و استخراج
• 6. معرفی الگوریتم‌های یادگیری ماشین کلاسیک
• 7. رگرسیون خطی و ارزیابی آن
• 8. رگرسیون لجستیک برای طبقه‌بندی
• 9. دسته‌بندی‌کننده‌های بردار پشتیبان (SVM)
• 10. درخت‌های تصمیم و جنگل‌های تصادفی
• 11. الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 12. خوشه‌بندی: الگوریتم K-Means
• 13. تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد
• 14. معرفی شبکه‌های عصبی مصنوعی
• 15. ساختار سلول عصبی مصنوعی (نورون)
• 16. توابع فعال‌سازی: سیگموئید، ReLU، تانژانت هیپربولیک
• 17. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 18. آموزش شبکه‌های عصبی: انتشار به عقب (Backpropagation)
• 19. بهینه‌سازی گرادیان نزولی و انواع آن
• 20. تنظیم نرخ یادگیری و شتاب‌دهنده‌ها
• 21. تنظیم‌گری (Regularization) برای جلوگیری از بیش‌برازش
• 22. تکنیک‌های توقف زودهنگام (Early Stopping)
• 23. معرفی یادگیری عمیق
• 24. تفاوت یادگیری عمیق با یادگیری ماشین سنتی
• 25. شبکه‌های عصبی کانولوشنی (CNN): انگیزه و اصول
• 26. لایه‌های کانولوشن و فیلترها
• 27. لایه‌های پولینگ (Pooling) برای کاهش ابعاد
• 28. لایه‌های کاملاً متصل (Fully Connected Layers)
• 29. معماری‌های پایه CNN: LeNet-5، AlexNet
• 30. آموزش CNN برای طبقه‌بندی تصاویر
• 31. مجموعه داده‌های استاندارد برای بینایی ماشین
• 32. پیش‌پردازش تصاویر برای CNN
• 33. تقویت داده‌ها (Data Augmentation)
• 34. تنظیم‌گری در CNN
• 35. معرفی شبکه‌های عصبی بازگشتی (RNN)
• 36. کاربرد RNN در پردازش زبان طبیعی
• 37. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 38. واحد بازگشتی دروازه‌ای (GRU)
• 39. معماری‌های پیشرفته CNN
• 40. شبکه‌های باقی‌مانده (ResNet)
• 41. شبکه‌های گشت و گذار (Inception/GoogLeNet)
• 42. شبکه‌های تراکمی (DenseNet)
• 43. شبکه‌های کانولوشنی عمیق برای وظایف پیچیده
• 44. کاربرد CNN در تشخیص اشیاء
• 45. شبکه‌های تشخیص اشیاء: Faster R-CNN، YOLO
• 46. بخش‌بندی معنایی تصاویر با CNN
• 47. معرفی مدل‌های ترنسفورمر (Transformer)
• 48. کاربرد ترنسفورمر در بینایی ماشین
• 49. یادگیری انتقالی (Transfer Learning)
• 50. استفاده از مدل‌های از پیش آموزش دیده
• 51. تنظیم دقیق (Fine-tuning) مدل‌ها
• 52. معرفی مدل‌های مولد
• 53. شبکه‌های مولد تخاصمی (GANs)
• 54. کاربرد GANs در تولید تصویر
• 55. معرفی مدل‌های خودرمزگذار (Autoencoders)
• 56. کاربرد خودرمزگذارها در کاهش ابعاد و حذف نویز
• 57. موضوعات پیشرفته در یادگیری عمیق
• 58. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 59. کاربرد DRL در بازی‌ها و رباتیک
• 60. شبکه‌های گراف عصبی (GNNs)
• 61. کاربرد GNNs در تحلیل شبکه‌های اجتماعی و مولکولی
• 62. معرفی مدل‌های توضیح‌پذیر هوش مصنوعی (XAI)
• 63. تکنیک‌های XAI برای درک تصمیمات مدل
• 64. ملاحظات اخلاقی در هوش مصنوعی
• 65. سوگیری در داده‌ها و مدل‌ها
• 66. حریم خصوصی و امنیت در هوش مصنوعی
• 67. اخلاق توسعه و استقرار مدل‌های هوش مصنوعی
• 68. کاربرد هوش مصنوعی در حوزه‌های مختلف
• 69. هوش مصنوعی در سلامت و پزشکی
• 70. هوش مصنوعی در امور مالی و بانکداری
• 71. هوش مصنوعی در صنعت و تولید
• 72. هوش مصنوعی در حمل و نقل و خودروهای خودران
• 73. هوش مصنوعی در آموزش و یادگیری
• 74. هوش مصنوعی در پردازش زبان طبیعی (NLP)
• 75. ترجمه ماشینی با شبکه‌های عصبی
• 76. خلاصه‌سازی متن با یادگیری عمیق
• 77. تحلیل احساسات با مدل‌های NLP
• 78. سیستم‌های پرسش و پاسخ
• 79. مقدمه‌ای بر پردازش گفتار
• 80. تشخیص گفتار با شبکه‌های عصبی
• 81. تولید گفتار با مدل‌های یادگیری عمیق
• 82. کاربرد هوش مصنوعی در تحقیقات علمی
• 83. هوش مصنوعی در کشف دارو
• 84. هوش مصنوعی در علوم مواد
• 85. هوش مصنوعی در نجوم و اخترفیزیک
• 86. هوش مصنوعی در مدل‌سازی اقلیمی
• 87. پیشرفت‌های آینده در هوش مصنوعی
• 88. هوش مصنوعی عمومی (AGI)
• 89. هوش مصنوعی و رباتیک پیشرفته
• 90. تأثیر هوش مصنوعی بر جامعه و اقتصاد
• 91. یادگیری ماشین در محیط‌های ابری
• 92. امنیت مدل‌های یادگیری ماشین
• 93. ارزیابی و اعتبارسنجی مدل‌ها
• 94. روش‌های پیشرفته برای ارزیابی مدل
• 95. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 96. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 97. تکنیک‌های مقابله با حملات به مدل‌های یادگیری ماشین
• 98. روش‌های مقاوم‌سازی مدل‌ها
• 99. مباحث پیشرفته در CNN
• 100. شبکه‌های با وضوح متغیر (Multi-scale CNNs)