فلش‌کارت‌های آموزشی شبکه های عصبی بازگشتی برای داده های متوالی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه های عصبی بازگشتی برای داده های متوالی

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: شبکه های عصبی بازگشتی (Recurrent Neural Networks - RNN)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر شبکه های عصبی بازگشتی
• 2. مبانی یادگیری عمیق
• 3. توابع فعال سازی در شبکه های عصبی
• 4. نحوه کار شبکه های عصبی بازگشتی
• 5. سلول های حافظه کوتاه مدت بلند (LSTM)
• 6. گیت های LSTM: فراموشی، ورودی، خروجی
• 7. معماری LSTM
• 8. مزایای LSTM
• 9. معایب LSTM
• 10. محدودیت های LSTM
• 11. حافظه بلند مدت کوتاه (GRU)
• 12. گیت های GRU: ریست، بروزرسانی
• 13. معماری GRU
• 14. مقایسه LSTM و GRU
• 15. تطبیق پذیری LSTM و GRU
• 16. آموزش شبکه های عصبی بازگشتی
• 17. بهینه سازی گرادیان کاهشی
• 18. تکنیک های تنظیم کننده
• 19. تشخیص و جلوگیری از بیش برازش
• 20. استفاده از نرخ یادگیری
• 21. روش های پیشرفته بهینه سازی
• 22. شبکه های عصبی بازگشتی عمیق
• 23. انواع معماری های RNN
• 24. کاربرد RNN در پردازش زبان طبیعی
• 25. تحلیل احساسات با RNN
• 26. ترجمه ماشینی با RNN
• 27. تولید متن با RNN
• 28. شناخت گفتار با RNN
• 29. تشخیص الگو در داده های سری زمانی
• 30. پیش بینی سری زمانی
• 31. مدل سازی مالی با RNN
• 32. پیش بینی قیمت سهام
• 33. شناخت تصویر با RNN
• 34. تشخیص اشیاء با RNN
• 35. تولید تصویر با RNN
• 36. شبکه های عصبی کانولوشنی (CNN)
• 37. معماری CNN
• 38. کاربرد CNN در پردازش تصویر
• 39. تلفیق RNN و CNN
• 40. کاربرد تلفیقی در تشخیص ویدئو
• 41. کاربرد تلفیقی در تحلیل سری زمانی چند متغیره
• 42. شبکه های عصبی مولد (GAN)
• 43. معماری GAN
• 44. آموزش GAN
• 45. کاربرد GAN در تولید داده
• 46. کاربرد GAN در افزایش داده
• 47. شبکه های عصبی ترنسفورمر
• 48. مکانیزم توجه (Attention Mechanism)
• 49. انواع مکانیزم توجه
• 50. مدل های مبتنی بر ترنسفورمر
• 51. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 52. ترجمه ماشینی با ترنسفورمر
• 53. مدل های زبانی بزرگ
• 54. کاربرد ترنسفورمر در بینایی کامپیوتر
• 55. شبکه های عصبی پراکنده
• 56. شبکه های عصبی با حافظه خارجی
• 57. پیاده سازی RNN در پایتون
• 58. استفاده از کتابخانه Keras
• 59. استفاده از کتابخانه TensorFlow
• 60. استفاده از کتابخانه PyTorch
• 61. مجموعه داده های رایج برای RNN
• 62. آماده سازی داده ها برای RNN
• 63. تقسیم داده ها به مجموعه های آموزش، اعتبارسنجی و تست
• 64. تنظیم پارامترهای مدل
• 65. ارزیابی عملکرد مدل
• 66. معیارهای ارزیابی مدل
• 67. شاخص میانگین مربعات خطا (MSE)
• 68. شاخص میانگین قدر مطلق خطا (MAE)
• 69. شاخص R-squared
• 70. بررسی نتایج و تفسیر آن ها
• 71. رفع اشکالات رایج در آموزش RNN
• 72. محدودیت های عملی RNN
• 73. تکنیک های مقیاس بندی داده ها
• 74. پیش پردازش داده های سری زمانی
• 75. تشخیص داده های پرت
• 76. تکنیک های نرمال سازی داده ها
• 77. انتقال یادگیری (Transfer Learning)
• 78. استفاده از مدل های از پیش آموزش دیده
• 79. تنظیم دقیق (Fine-tuning) مدل ها
• 80. کاربرد RNN در سیستم های توصیه گر
• 81. کاربرد RNN در تشخیص ناهنجاری
• 82. کاربرد RNN در پردازش سیگنال
• 83. کاربرد RNN در رباتیک
• 84. کاربرد RNN در اکتشافات علمی
• 85. مقایسه RNN با مدل های آماری سنتی
• 86. شبکه های عصبی گراف (GNN)
• 87. مبانی شبکه های عصبی گراف
• 88. کاربرد GNN در داده های شبکه ای
• 89. مدل سازی دینامیک در شبکه های عصبی
• 90. تکنیک های نمونه برداری در RNN
• 91. شبکه های عصبی تصادفی
• 92. آموزش پایدار شبکه های عصبی بازگشتی
• 93. روش های پیشرفته تولید متن
• 94. تکنیک های خلاصه سازی متن با RNN
• 95. کاربرد RNN در تجزیه و تحلیل نمودارها
• 96. مبانی یادگیری تقویتی با RNN
• 97. طراحی معماری های خلاقانه RNN
• 98. آینده شبکه های عصبی بازگشتی
• 99. چالش های فعلی در حوزه RNN
• 100. اهمیت داده های با کیفیت برای RNN