فلش‌کارت‌های آموزشی یادگیری عمیق با جاوا (Deep Learning with Java)

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری عمیق با جاوا (Deep Learning with Java)

موضوع کلی: برنامه نویسی

موضوع میانی: جاوا (Java)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری عمیق
• 2. مقدمه ای بر جاوا برای یادگیری عمیق
• 3. مفاهیم پایه یادگیری ماشین
• 4. مقدمه ای بر شبکه های عصبی
• 5. نورون های مصنوعی
• 6. توابع فعال سازی
• 7. شبکه های عصبی پیشخور
• 8. آموزش شبکه های عصبی
• 9. انتشار رو به عقب (Backpropagation)
• 10. بهینه سازی گرادیان نزولی (Gradient Descent)
• 11. انواع گرادیان نزولی
• 12. تنظیم نرخ یادگیری
• 13. تنظیم کننده ها (Optimizers)
• 14. شبکه های عصبی کانولوشنال (CNN)
• 15. لایه های کانولوشن
• 16. لایه های Pooling
• 17. معماری های CNN محبوب
• 18. کاربرد CNN در بینایی ماشین
• 19. شبکه های عصبی بازگشتی (RNN)
• 20. سلول های حافظه بلند کوتاه (LSTM)
• 21. واحدهای بازگشتی دروازه دار (GRU)
• 22. کاربرد RNN در پردازش زبان طبیعی
• 23. شبکه های مولد تخاصمی (GAN)
• 24. معماری Generator و Discriminator
• 25. آموزش GAN
• 26. کاربرد GAN در تولید محتوا
• 27. تکنیک های تنظیم (Regularization)
• 28. Dropout
• 29. Batch Normalization
• 30. Data Augmentation
• 31. Early Stopping
• 32. تنظیم ابر پارامترها (Hyperparameter Tuning)
• 33. جستجوی شبکه‌ای (Grid Search)
• 34. جستجوی تصادفی (Random Search)
• 35. بهینه سازی بیزی (Bayesian Optimization)
• 36. مقدمه ای بر TensorFlow Java API
• 37. نصب و راه اندازی TensorFlow Java
• 38. ساخت مدل های ساده با TensorFlow Java
• 39. پیاده سازی لایه های کانولوشن با TensorFlow Java
• 40. پیاده سازی لایه های Pooling با TensorFlow Java
• 41. پیاده سازی لایه های بازگشتی با TensorFlow Java
• 42. آموزش مدل ها با TensorFlow Java
• 43. ارزیابی مدل ها با TensorFlow Java
• 44. ذخیره و بارگذاری مدل ها با TensorFlow Java
• 45. مقدمه ای بر DL4J (Deep Learning for Java)
• 46. نصب و راه اندازی DL4J
• 47. ساخت مدل های ساده با DL4J
• 48. پیاده سازی لایه های کانولوشن با DL4J
• 49. پیاده سازی لایه های Pooling با DL4J
• 50. پیاده سازی لایه های بازگشتی با DL4J
• 51. آموزش مدل ها با DL4J
• 52. ارزیابی مدل ها با DL4J
• 53. ذخیره و بارگذاری مدل ها با DL4J
• 54. کاربرد یادگیری عمیق در پردازش تصویر
• 55. تشخیص اشیاء
• 56. قطعه بندی تصویر (Image Segmentation)
• 57. تولید تصویر
• 58. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 59. تحلیل احساسات
• 60. ترجمه ماشینی
• 61. تولید متن
• 62. مدل های زبانی
• 63. مدل های embedding (Word2Vec, GloVe)
• 64. کاربرد یادگیری عمیق در تحلیل داده های سری زمانی
• 65. پیش بینی سری زمانی
• 66. تشخیص ناهنجاری
• 67. کاربرد یادگیری عمیق در سیستم های توصیه گر
• 68. توصیه محصولات
• 69. توصیه محتوا
• 70. کاربرد یادگیری عمیق در بازی ها
• 71. هوش مصنوعی در بازی ها
• 72. یادگیری تقویتی (Reinforcement Learning)
• 73. پیاده سازی یادگیری تقویتی با جاوا
• 74. مقدمه ای بر محاسبات توزیع شده برای یادگیری عمیق
• 75. استفاده از Apache Spark برای یادگیری عمیق
• 76. استفاده از Flink برای یادگیری عمیق
• 77. مقدمه ای بر پردازش داده های بزرگ (Big Data)
• 78. ابزارهای پردازش داده های بزرگ برای یادگیری عمیق
• 79. مقدمه ای بر امنیت در یادگیری عمیق
• 80. حملات به مدل های یادگیری عمیق
• 81. دفاع در برابر حملات
• 82. مقدمه ای بر اخلاق در یادگیری عمیق
• 83. سوگیری در داده ها و مدل ها
• 84. مسئولیت پذیری در توسعه مدل ها
• 85. مقدمه ای بر تفسیرپذیری مدل های یادگیری عمیق (Explainable AI)
• 86. تکنیک های تفسیر مدل ها
• 87. کاربرد در درک تصمیمات مدل
• 88. مقدمه ای بر یادگیری عمیق در زمان واقعی (Real-time Deep Learning)
• 89. بهینه سازی مدل ها برای استنتاج سریع
• 90. استقرار مدل ها در محیط های محدود
• 91. مقدمه ای بر یادگیری عمیق برای اینترنت اشیا (IoT)
• 92. مدل های سبک وزن (Lightweight Models)
• 93. استقرار مدل ها روی دستگاه های لبه (Edge Devices)
• 94. مقدمه ای بر یادگیری عمیق در بلاکچین
• 95. کاربرد یادگیری عمیق در قراردادهای هوشمند
• 96. امنیت و اعتبار سنجی در بلاکچین با یادگیری عمیق
• 97. مقدمه ای بر یادگیری عمیق در علم پزشکی
• 98. تشخیص بیماری ها
• 99. کشف دارو
• 100. تحلیل تصاویر پزشکی