دوره مباحث پیشرفته در یادگیری عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مباحث پیشرفته در یادگیری عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع شبکه‌های عصبی مصنوعی
• 4. تابع فعال‌سازی در شبکه‌های عصبی
• 5. تابع هزینه و بهینه‌سازی در شبکه‌های عصبی
• 6. روش‌های گرادیان کاهشی و انواع آن
• 7. پس‌انتشار خطا (Backpropagation)
• 8. تنظیم پارامترها و بیش‌برازش (Overfitting)
• 9. روش‌های منظم‌سازی (Regularization)
• 10. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 11. شبکه‌های عصبی کانولوشنی (CNN)
• 12. لایه‌های کانولوشن و پولینگ
• 13. کاربرد CNN در پردازش تصویر
• 14. شبکه‌های عصبی بازگشتی (RNN)
• 15. حافظه کوتاه‌مدت طولانی (LSTM)
• 16. واحد بازگشتی دروازه‌ای (GRU)
• 17. کاربرد RNN در پردازش زبان طبیعی
• 18. مدل‌های زبانی و پیش‌بینی توالی
• 19. کاربرد یادگیری عمیق در ترجمه ماشینی
• 20. مقدمه‌ای بر یادگیری تقویتی
• 21. عوامل، محیط و پاداش در یادگیری تقویتی
• 22. الگوریتم‌های یادگیری تقویتی پایه
• 23. شبکه‌های عصبی عمیق در یادگیری تقویتی
• 24. یادگیری عمیق با شبکه‌های مولد (GAN)
• 25. معماری شبکه‌های مولد تخاصمی
• 26. کاربرد GAN در تولید تصویر
• 27. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 28. خودرمزگذارهای تغییر یافته (Variational Autoencoders)
• 29. کاربرد خودرمزگذارها در کاهش ابعاد
• 30. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 31. یادگیری انتقالی (Transfer Learning)
• 32. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 33. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 34. بردارسازی کلمات (Word Embeddings)
• 35. روش‌های Bag-of-Words و TF-IDF
• 36. شبکه‌های عصبی برای تحلیل احساسات
• 37. استخراج اطلاعات و موجودیت‌های نام‌دار
• 38. طبقه‌بندی متون با یادگیری عمیق
• 39. مدل‌های ترانسفورمر (Transformer Models)
• 40. مکانیسم توجه (Attention Mechanism)
• 41. مدل‌های مبتنی بر ترانسفورمر (BERT, GPT)
• 42. کاربرد مدل‌های ترانسفورمر در NLP
• 43. یادگیری عمیق برای طبقه‌بندی تصویر
• 44. تشخیص اشیاء در تصاویر (Object Detection)
• 45. قطعه‌بندی معنایی تصاویر (Semantic Segmentation)
• 46. تولید زیرنویس برای تصاویر
• 47. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
• 48. فیلترینگ مشارکتی با یادگیری عمیق
• 49. فیلترینگ مبتنی بر محتوا با یادگیری عمیق
• 50. یادگیری عمیق برای توصیه‌های شخصی‌سازی شده
• 51. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)
• 52. ترکیب اطلاعات از منابع مختلف
• 53. کاربرد یادگیری چندوجهی در درک بصری-زبانی
• 54. یادگیری عمیق در تشخیص گفتار
• 55. سیستم‌های تشخیص کلمات کلیدی
• 56. یادگیری عمیق در تولید گفتار
• 57. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 58. حفظ حریم خصوصی در یادگیری فدرال
• 59. کاربرد یادگیری فدرال در حوزه‌های حساس
• 60. مقدمه‌ای بر یادگیری عمیق قابل تفسیر (XAI)
• 61. روش‌های تفسیرپذیری مدل‌های یادگیری عمیق
• 62. تکنیک‌های بصری‌سازی در XAI
• 63. اصول اخلاقی در هوش مصنوعی
• 64. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 65. چالش‌های پیاده‌سازی یادگیری عمیق در صنعت
• 66. بهینه‌سازی عملکرد و مقیاس‌پذیری مدل‌ها
• 67. استفاده از سخت‌افزارهای تخصصی (GPU, TPU)
• 68. یادگیری عمیق برای تحلیل داده‌های سری زمانی
• 69. پیش‌بینی سری‌های زمانی با RNN و LSTM
• 70. کاربرد یادگیری عمیق در پیش‌بینی مالی
• 71. مدل‌سازی گراف‌ها با شبکه‌های عصبی گراف (GNN)
• 72. کاربرد GNN در شبکه‌های اجتماعی
• 73. یادگیری عمیق در رباتیک و کنترل
• 74. یادگیری عمیق برای ناوبری ربات‌ها
• 75. یادگیری تقویتی عمیق برای کنترل ربات
• 76. مقدمه‌ای بر شبکه‌های عصبی اسپایکی (SNN)
• 77. مقایسه SNN با شبکه‌های عصبی سنتی
• 78. کاربرد SNN در پردازش بلادرنگ
• 79. یادگیری عمیق برای کشف دارو و پزشکی
• 80. تحلیل تصاویر پزشکی با یادگیری عمیق
• 81. پیش‌بینی واکنش به درمان با مدل‌های عمیق
• 82. یادگیری عمیق در سیستم‌های تشخیص ناهنجاری
• 83. مقدمه‌ای بر یادگیری خودکار (AutoML)
• 84. ابزارها و چارچوب‌های AutoML
• 85. بهینه‌سازی معماری و ابرپارامترها در AutoML
• 86. چالش‌های اخلاقی و اجتماعی هوش مصنوعی
• 87. تأثیر هوش مصنوعی بر بازار کار
• 88. سوگیری در الگوریتم‌های یادگیری عمیق
• 89. راهکارهای مقابله با سوگیری الگوریتمی
• 90. امنیت و پایداری سیستم‌های هوش مصنوعی
• 91. حملات متخاصم (Adversarial Attacks) به شبکه‌های عصبی
• 92. روش‌های دفاع در برابر حملات متخاصم
• 93. یادگیری عمیق در حوزه انرژی و محیط زیست
• 94. بهینه‌سازی مصرف انرژی با هوش مصنوعی
• 95. مدل‌سازی تغییرات اقلیمی با یادگیری عمیق
• 96. مقدمه‌ای بر یادگیری توزیع‌شده
• 97. هماهنگ‌سازی و ارتباط بین گره‌ها در یادگیری توزیع‌شده
• 98. کاربرد یادگیری توزیع‌شده در پروژه‌های بزرگ
• 99. مقدمه‌ای بر یادگیری عمیق کوانتومی
• 100. مفاهیم پایه محاسبات کوانتومی