فلش‌کارت‌های آموزشی مبانی شبکه‌های عصبی و کاربردهای نوین در پردازش داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی و کاربردهای نوین در پردازش داده

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین: نظارت شده و بدون نظارت
• 3. معرفی شبکه‌های عصبی مصنوعی
• 4. ساختار نورون مصنوعی و تابع فعال‌سازی
• 5. مدل‌های خطی و رگرسیون لجستیک
• 6. توابع هزینه و بهینه‌سازی در شبکه‌های عصبی
• 7. گرادیان کاهشی و انواع آن
• 8. پس‌انتشار خطا (Backpropagation)
• 9. معرفی شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 10. کاربرد MLP در مسائل دسته‌بندی
• 11. شبکه‌های عصبی کانولوشنی (CNN)
• 12. ساختار لایه‌های کانولوشن و پولینگ
• 13. کاربرد CNN در پردازش تصویر
• 14. شبکه‌های عصبی بازگشتی (RNN)
• 15. حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 16. شبکه‌های عصبی بازگشتی گیت‌دار (GRU)
• 17. کاربرد RNN در پردازش زبان طبیعی
• 18. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 19. شبکه‌های مولد تخاصمی (GAN)
• 20. ساختار مولد و متمایز کننده در GAN
• 21. کاربرد GAN در تولید تصویر
• 22. موضوعات پیشرفته در شبکه‌های عصبی
• 23. یادگیری تقویتی (Reinforcement Learning)
• 24. مبانی یادگیری تقویتی: عامل، محیط، پاداش
• 25. الگوریتم‌های یادگیری تقویتی Q-Learning
• 26. کاربرد یادگیری تقویتی در رباتیک
• 27. معرفی خودرمزگذارها (Autoencoders)
• 28. ساختار خودرمزگذار: رمزگذار و رمزگشا
• 29. خودرمزگذارهای تنک (Sparse Autoencoders)
• 30. خودرمزگذارهای واریانس‌دار (Variational Autoencoders - VAE)
• 31. کاربرد VAE در تولید داده
• 32. شبکه‌های عصبی عمیق برای پردازش داده‌های حجیم
• 33. یادگیری انتقالی (Transfer Learning)
• 34. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 35. کاربرد یادگیری انتقالی در بینایی ماشین
• 36. شبکه‌های عصبی ترانسفورمر (Transformer Networks)
• 37. مکانیسم توجه (Attention Mechanism)
• 38. کاربرد ترانسفورمر در پردازش زبان طبیعی
• 39. مدل‌های زبانی بزرگ (LLMs)
• 40. مبانی و معماری LLMs
• 41. کاربرد LLMs در تولید متن و پاسخ به سوالات
• 42. روش‌های آموزش مدل‌های عمیق
• 43. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 44. روش‌های منظم‌سازی (Regularization)
• 45. کاهش بیش‌برازش (Overfitting)
• 46. معرفی و کاربرد مدل‌های LV-EBM
• 47. مبانی مدل‌های انرژی مبتنی بر متغیرهای پنهان (LV-EBM)
• 48. ارتباط LV-EBM با شبکه‌های عصبی
• 49. کاربرد LV-EBM در مدل‌سازی توزیع داده
• 50. مقدمه‌ای بر Target Propagation
• 51. تفاوت Target Propagation با Backpropagation
• 52. کاربرد Target Propagation در آموزش شبکه‌های عصبی
• 53. معرفی و کاربرد Autoencoder
• 54. مفاهیم پایه Autoencoder
• 55. انواع Autoencoder و کاربردهای آن‌ها
• 56. کاربرد Autoencoder در کاهش ابعاد
• 57. کاربرد Autoencoder در تشخیص ناهنجاری
• 58. کاربرد Autoencoder در تولید ویژگی
• 59. معرفی و کاربرد شبکه‌های عصبی عمیق در تحلیل داده
• 60. یادگیری عمیق برای داده‌های سری زمانی
• 61. کاربرد شبکه‌های عصبی در پیش‌بینی سری زمانی
• 62. شبکه‌های عصبی برای داده‌های گراف
• 63. مدل‌های گراف عصبی (GNN)
• 64. کاربرد GNN در تحلیل شبکه‌های اجتماعی
• 65. کاربرد GNN در شیمی و کشف دارو
• 66. اخلاق در هوش مصنوعی و یادگیری ماشین
• 67. سوگیری در الگوریتم‌های هوش مصنوعی
• 68. شفافیت و قابلیت تفسیرپذیری مدل‌های هوش مصنوعی
• 69. امنیت و حریم خصوصی در هوش مصنوعی
• 70. کاربردهای نوین هوش مصنوعی در صنایع مختلف
• 71. هوش مصنوعی در سلامت
• 72. هوش مصنوعی در مالی
• 73. هوش مصنوعی در حمل و نقل
• 74. هوش مصنوعی در آموزش
• 75. مقدمه‌ای بر محاسبات کوانتومی و یادگیری ماشین
• 76. یادگیری ماشین کوانتومی (Quantum Machine Learning)
• 77. چالش‌ها و فرصت‌های یادگیری ماشین کوانتومی
• 78. معرفی ابزارها و چارچوب‌های یادگیری عمیق
• 79. TensorFlow و Keras
• 80. PyTorch
• 81. کاربرد چارچوب‌ها در پیاده‌سازی مدل‌ها
• 82. پروژه‌های عملی در یادگیری عمیق
• 83. تحلیل داده‌های تصویری با CNN
• 84. پردازش متن با RNN و Transformer
• 85. ساخت مدل‌های مولد با GAN و VAE
• 86. کاربرد یادگیری عمیق در تحلیل داده‌های پزشکی
• 87. توسعه مدل‌های پیش‌بینی در بازارهای مالی
• 88. بهینه‌سازی فرآیندها با یادگیری تقویتی
• 89. آینده هوش مصنوعی و یادگیری ماشین