فلش‌کارت‌های آموزشی MLP و ارتباط آن با سایر معماری‌های یادگیری عمیق

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب MLP و ارتباط آن با سایر معماری‌های یادگیری عمیق

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی پرسپترون چند لایه (MLP)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری عمیق
• 2. تعریف یادگیری عمیق
• 3. تاریخچه مختصر یادگیری عمیق
• 4. تفاوت یادگیری عمیق با یادگیری ماشینی سنتی
• 5. کاربردهای یادگیری عمیق
• 6. مقدمه ای بر شبکه های عصبی مصنوعی
• 7. مفهوم نورون مصنوعی
• 8. تابع فعال سازی
• 9. لایه های شبکه عصبی
• 10. مقدمه ای بر MLP
• 11. تعریف MLP
• 12. اجزای MLP (لایه ورودی، لایه های پنهان، لایه خروجی)
• 13. نحوه عملکرد MLP
• 14. فرآیند انتشار رو به جلو (Forward Propagation)
• 15. تابع هزینه (Loss Function)
• 16. فرآیند انتشار رو به عقب (Backpropagation)
• 17. گرادیان کاهشی (Gradient Descent)
• 18. انواع گرادیان کاهشی (Batch, Mini-batch, Stochastic)
• 19. تنظیم نرخ یادگیری (Learning Rate)
• 20. تنظیم کننده ها (Optimizers)
• 21. تابع فعال سازی در MLP
• 22. انواع توابع فعال سازی (Sigmoid, Tanh, ReLU, Leaky ReLU, ELU, Softmax)
• 23. مزایا و معایب توابع فعال سازی مختلف
• 24. نحوه انتخاب تابع فعال سازی مناسب
• 25. پیاده سازی MLP با کتابخانه های یادگیری عمیق (TensorFlow, PyTorch)
• 26. مقدمه ای بر TensorFlow
• 27. مقدمه ای بر PyTorch
• 28. ساخت مدل MLP در TensorFlow
• 29. ساخت مدل MLP در PyTorch
• 30. آموزش مدل MLP
• 31. ارزیابی مدل MLP
• 32. معیارهای ارزیابی (دقت، صحت، فراخوانی، F1-Score)
• 33. بیش برازش (Overfitting)
• 34. کم برازش (Underfitting)
• 35. روش های جلوگیری از بیش برازش (تنظیم منظم، Dropout، داده افزایی)
• 36. تنظیم منظم (Regularization)
• 37. L1 و L2 Regularization
• 38. Dropout
• 39. داده افزایی (Data Augmentation)
• 40. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 41. شبکه های عصبی کانولوشنال (CNN)
• 42. مقدمه ای بر CNN
• 43. تفاوت CNN با MLP
• 44. لایه های CNN (کانولوشن، Pooling، Fully Connected)
• 45. کاربرد CNN در پردازش تصویر
• 46. مقایسه MLP و CNN برای مسائل تصویری
• 47. شبکه های عصبی بازگشتی (RNN)
• 48. مقدمه ای بر RNN
• 49. تفاوت RNN با MLP
• 50. لایه های RNN (Simple RNN, LSTM, GRU)
• 51. کاربرد RNN در پردازش زبان طبیعی
• 52. مقایسه MLP و RNN برای مسائل سری زمانی
• 53. شبکه های مولد تخاصمی (GAN)
• 54. مقدمه ای بر GAN
• 55. اجزای GAN (مولد، متمایز کننده)
• 56. نحوه عملکرد GAN
• 57. کاربرد GAN
• 58. مقایسه MLP با GAN
• 59. ترنسفورمرها (Transformers)
• 60. مقدمه ای بر ترنسفورمرها
• 61. معماری ترنسفورمر (Attention Mechanism)
• 62. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 63. مقایسه MLP با ترنسفورمرها
• 64. یادگیری انتقالی (Transfer Learning)
• 65. مقدمه ای بر یادگیری انتقالی
• 66. نحوه استفاده از مدل های از پیش آموزش دیده
• 67. مقایسه MLP با مدل های از پیش آموزش دیده
• 68. یادگیری تقویتی (Reinforcement Learning)
• 69. مقدمه ای بر یادگیری تقویتی
• 70. نقش MLP در یادگیری تقویتی
• 71. مقایسه MLP با الگوریتم های یادگیری تقویتی
• 72. MLP برای مسائل طبقه بندی
• 73. MLP برای مسائل رگرسیون
• 74. MLP برای تشخیص الگو
• 75. MLP برای خوشه بندی
• 76. MLP برای پیش بینی سری زمانی
• 77. MLP برای پردازش زبان طبیعی (کاربردهای اولیه)
• 78. MLP برای پردازش تصویر (کاربردهای اولیه)
• 79. محدودیت های MLP
• 80. نقاط قوت MLP
• 81. زمانی که MLP مناسب نیست
• 82. زمانی که MLP مناسب است
• 83. تکامل MLP به معماری های پیچیده تر
• 84. نقش MLP به عنوان یک بلوک ساختمانی
• 85. MLP در معماری های هیبریدی
• 86. MLP و شبکه های عصبی گراف (GNN)
• 87. MLP و شبکه های عصبی پراکنده (Sparse Neural Networks)
• 88. MLP و یادگیری خودنظارتی (Self-Supervised Learning)
• 89. MLP و یادگیری نیمه نظارتی (Semi-Supervised Learning)
• 90. MLP و یادگیری بدون نظارت (Unsupervised Learning)
• 91. MLP و یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 92. MLP و تفسیرپذیری مدل (Model Interpretability)
• 93. MLP و اخلاق در هوش مصنوعی
• 94. آینده MLP
• 95. نتیجه گیری
• 96. مرور کلی MLP
• 97. ارتباط MLP با سایر معماری ها
• 98. کاربرد MLP در دنیای واقعی
• 99. ملاحظات پیاده سازی
• 100. چالش های MLP