فلش‌کارت‌های آموزشی یادگیری ماشین نظارت شده با شبکه‌های عصبی: مقدمه‌ای بر MLP

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین نظارت شده با شبکه‌های عصبی: مقدمه‌ای بر MLP

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: یادگیری ماشین نظارت شده (Supervised Learning)**

📋 سرفصل‌های دوره

• 1. شبکه‌های عصبی: مقدمه‌ای بر MLP
• 2. مقدمه‌ای بر یادگیری ماشین نظارت شده
• 3. مفهوم شبکه‌های عصبی مصنوعی
• 4. ساختار پایه نورون
• 5. توابع فعال‌سازی
• 6. انواع توابع فعال‌سازی
• 7. پس‌انتشار خطا (Backpropagation)
• 8. گرادیان کاهشی (Gradient Descent)
• 9. آموزش شبکه‌های عصبی
• 10. مجموعه داده‌ها و تقسیم‌بندی
• 11. ویژگی‌ها و برچسب‌ها
• 12. پیش‌پردازش داده‌ها
• 13. نرمال‌سازی و استانداردسازی
• 14. کدگذاری دسته‌ای (One-Hot Encoding)
• 15. شبکه‌های پرسپترون چندلایه (MLP)
• 16. معماری MLP
• 17. لایه ورودی
• 18. لایه‌های پنهان
• 19. لایه خروجی
• 20. تعداد لایه‌های پنهان
• 21. تعداد نورون‌ها در لایه‌های پنهان
• 22. بهینه‌سازی پارامترها
• 23. نرخ یادگیری
• 24. اندازه دسته (Batch Size)
• 25. تعداد دوره‌های آموزشی (Epochs)
• 26. مثال ساده MLP
• 27. پیاده‌سازی MLP با کتابخانه‌ها
• 28. کتابخانه TensorFlow
• 29. کتابخانه Keras
• 30. کتابخانه PyTorch
• 31. ساخت مدل MLP در Keras
• 32. تعریف لایه‌های Dense
• 33. انتخاب تابع فعال‌سازی
• 34. کامپایل کردن مدل
• 35. تابع هزینه (Loss Function)
• 36. بهینه‌ساز (Optimizer)
• 37. معیارهای ارزیابی
• 38. آموزش مدل MLP
• 39. تابع evaluate
• 40. تابع predict
• 41. کاربرد MLP در طبقه‌بندی
• 42. داده‌های طبقه‌بندی
• 43. مجموعه داده Iris
• 44. آموزش MLP برای طبقه‌بندی Iris
• 45. ارزیابی مدل طبقه‌بندی
• 46. کاربرد MLP در رگرسیون
• 47. داده‌های رگرسیون
• 48. مجموعه داده Boston Housing
• 49. آموزش MLP برای رگرسیون Boston Housing
• 50. ارزیابی مدل رگرسیون
• 51. بیش‌برازش (Overfitting)
• 52. کم‌برازش (Underfitting)
• 53. راه‌های مقابله با بیش‌برازش
• 54. تنظیم‌گرمی (Regularization)
• 55. L1 و L2 Regularization
• 56. کاهش احتمال (Dropout)
• 57. توقف زودهنگام (Early Stopping)
• 58. تنظیم فراپارامترها (Hyperparameter Tuning)
• 59. جستجوی شبکه‌ای (Grid Search)
• 60. جستجوی تصادفی (Random Search)
• 61. ارزیابی متقابل (Cross-Validation)
• 62. کدگذاری دسته‌ای برای MLP
• 63. تنظیم اندازه دسته
• 64. تنظیم نرخ یادگیری
• 65. انتخاب تابع هزینه مناسب
• 66. انتخاب تابع فعال‌سازی مناسب
• 67. پیاده‌سازی MLP از ابتدا
• 68. اصول اولیه پیاده‌سازی
• 69. نورون و لایه
• 70. عملیات ماتریسی
• 71. حساب دیفرانسیل نمادین
• 72. محاسبه گرادیان‌ها
• 73. پیاده‌سازی پس‌انتشار
• 74. آموزش MLP بدون کتابخانه
• 75. عیب‌یابی مدل‌های MLP
• 76. خطاهای رایج در MLP
• 77. تفسیر نتایج
• 78. شاخص‌های عملکرد
• 79. پیش‌بینی بر روی داده‌های جدید
• 80. اعتبار سنجی مدل
• 81. استفاده از GPU در آموزش
• 82. یادگیری عمیق (Deep Learning)
• 83. شبکه‌های عصبی عمیق
• 84. تفاوت MLP با شبکه‌های عمیق‌تر
• 85. شبکه‌های عصبی کانولوشنال (CNN)
• 86. شبکه‌های عصبی بازگشتی (RNN)
• 87. مقدمه‌ای بر CNN
• 88. مقدمه‌ای بر RNN
• 89. محدودیت‌های MLP
• 90. کاربرد MLP در مسائل واقعی
• 91. تشخیص تصویر پایه
• 92. پردازش زبان طبیعی پایه
• 93. پیش‌بینی سری‌های زمانی ساده
• 94. یادگیری انتقال (Transfer Learning)
• 95. کاربرد MLP در یادگیری انتقال
• 96. جمع‌بندی MLP
• 97. آینده MLP
• 98. مفاهیم پیشرفته‌تر MLP
• 99. سایر انواع شبکه‌های عصبی
• 100. شبکه‌های مولد تخاصمی (GAN)