فلش‌کارت‌های آموزشی مبانی خودرمزگذارها، خودرمزگذارهای متغیر و شبکه‌های مولد تخاصمی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی خودرمزگذارها، خودرمزگذارهای متغیر و شبکه‌های مولد تخاصمی

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
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 5. نورون مصنوعی و توابع فعال‌سازی
• 6. معماری شبکه‌های عصبی پیشخور
• 7. پس‌انتشار خطا (Backpropagation)
• 8. بهینه‌سازی شبکه‌های عصبی
• 9. معرفی خودرمزگذارها (Autoencoders)
• 10. اجزای خودرمزگذار: رمزگذار و رمزگشا
• 11. کاربردهای خودرمزگذارها: فشرده‌سازی و بازسازی
• 12. خودرمزگذارهای فشرده (Contractive Autoencoders)
• 13. خودرمزگذارهای تنوع‌بخش (Denoising Autoencoders)
• 14. خودرمزگذارهای تکرارشونده (Recurrent Autoencoders)
• 15. خودرمزگذارهای کانولوشنی (Convolutional Autoencoders)
• 16. مقدمه‌ای بر خودرمزگذارهای متغیر (Variational Autoencoders - VAEs)
• 17. مبنای نظری VAEs: استنتاج متغیر
• 18. تابع احتمال پسین در VAEs
• 19. تابع هزینه در VAEs
• 20. نمونه‌برداری از فضای نهفته (Latent Space Sampling)
• 21. کاربردهای VAEs: تولید داده و کشف ویژگی
• 22. تفاوت VAEs با خودرمزگذارهای استاندارد
• 23. معرفی شبکه‌های مولد تخاصمی (Generative Adversarial Networks - GANs)
• 24. معماری GANs: مولد و متمایزکننده
• 25. تابع هزینه در GANs
• 26. فرآیند آموزش GANs
• 27. چالش‌های آموزش GANs
• 28. انواع GANs: DCGAN, WGAN, StyleGAN
• 29. کاربردهای GANs: تولید تصاویر، ویدئو و صدا
• 30. مقدمه‌ای بر یادگیری عمیق
• 31. شبکه‌های عصبی کانولوشنی (CNNs)
• 32. لایه‌های کانولوشن و پولینگ
• 33. کاربرد CNNs در پردازش تصویر
• 34. شبکه‌های عصبی تکرارشونده (RNNs)
• 35. حافظه کوتاه‌مدت طولانی (LSTM) و واحد بازگشتی دروازه‌بندی شده (GRU)
• 36. کاربرد RNNs در پردازش زبان طبیعی
• 37. پردازش زبان طبیعی (NLP)
• 38. مدل‌های زبانی
• 39. جاسازی کلمات (Word Embeddings)
• 40. شبکه‌های عصبی ترنسفورمر (Transformers)
• 41. مکانیزم توجه (Attention Mechanism)
• 42. کاربرد ترنسفورمرها در NLP
• 43. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 44. عوامل یادگیری تقویتی
• 45. شبکه‌های عصبی در یادگیری تقویتی
• 46. کاربردها و چالش‌های یادگیری تقویتی عمیق
• 47. مبانی ریاضیات مورد نیاز برای یادگیری عمیق
• 48. جبر خطی و حساب دیفرانسیل
• 49. احتمال و آمار
• 50. بهینه‌سازی عددی
• 51. مقدمه‌ای بر داده‌کاوی و تحلیل داده
• 52. پیش‌پردازش داده‌ها
• 53. انتخاب و مهندسی ویژگی
• 54. ارزیابی مدل‌ها
• 55. یادگیری نیمه‌نظارت شده
• 56. یادگیری بدون نظارت پیشرفته
• 57. خوشه‌بندی (Clustering)
• 58. کاهش ابعاد (Dimensionality Reduction)
• 59. تحلیل مؤلفه‌های اصلی (PCA)
• 60. توزیع یکنواخت مقادیر منفرد (SVD)
• 61. یادگیری عمیق برای بینایی ماشین
• 62. تشخیص اشیاء
• 63. تقسیم‌بندی تصاویر (Image Segmentation)
• 64. تولید تصاویر با کیفیت بالا
• 65. یادگیری عمیق برای پردازش صدا
• 66. شناسایی گفتار
• 67. تولید صدا
• 68. کاربردها در صنعت و پژوهش
• 69. هوش مصنوعی در خدمات بانکی و مالی
• 70. کاربردها در حوزه سلامت و پزشکی
• 71. هوش مصنوعی در صنعت و تولید
• 72. اخلاق در هوش مصنوعی
• 73. مسئولیت‌پذیری در هوش مصنوعی
• 74. شفافیت و قابلیت تفسیر مدل‌ها
• 75. سوگیری در داده‌ها و مدل‌ها
• 76. حریم خصوصی داده‌ها در عصر هوش مصنوعی
• 77. امنیت و پایداری سیستم‌های هوش مصنوعی
• 78. آینده هوش مصنوعی و یادگیری عمیق
• 79. روندها و تحقیقات جاری
• 80. چالش‌های پیش رو
• 81. توسعه پایدار با هوش مصنوعی
• 82. کاربرد هوش مصنوعی در آموزش و یادگیری
• 83. یادگیری شخصی‌سازی شده
• 84. سیستم‌های توصیه‌گر آموزشی
• 85. مقدمه‌ای بر شبکه‌های عصبی گراف (GNNs)
• 86. کاربرد GNNs در تحلیل داده‌های شبکه‌ای
• 87. تولید محتوای خلاقانه با هوش مصنوعی
• 88. هنر و موسیقی تولید شده توسط هوش مصنوعی
• 89. چالش‌های حقوقی و مالکیت معنوی
• 90. هوش مصنوعی و علوم اجتماعی
• 91. تأثیر هوش مصنوعی بر بازار کار
• 92. آینده تعامل انسان و ماشین
• 93. مبانی شبکه‌های عصبی بیزی
• 94. کاربرد شبکه‌های عصبی بیزی در مدل‌سازی عدم قطعیت
• 95. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 96. تکنیک‌های یادگیری انتقالی
• 97. کاربرد یادگیری انتقالی در حوزه‌های مختلف
• 98. یادگیری فدرال (Federated Learning)
• 99. حفظ حریم خصوصی در یادگیری فدرال
• 100. مقدمه‌ای بر شبکه‌های عصبی مولد نیمه‌نظارت شده