فلش‌کارت‌های آموزشی جامع یادگیری عمیق: از مفاهیم پایه تا پیاده‌سازی پروژه‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری عمیق: از مفاهیم پایه تا پیاده‌سازی پروژه‌ها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی و کاربردهای یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تاریخچه مختصر هوش مصنوعی
• 3. تعریف یادگیری ماشین
• 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 5. مفاهیم پایه یادگیری ماشین
• 6. جمع‌آوری و پیش‌پردازش داده‌ها
• 7. مهندسی ویژگی
• 8. انتخاب مدل
• 9. ارزیابی مدل
• 10. رگرسیون خطی
• 11. رگرسیون لجستیک
• 12. دسته‌بندی‌کننده‌های مبتنی بر درخت تصمیم
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. دسته‌بندی‌کننده‌های بیزین ساده
• 15. نزدیک‌ترین همسایگان (k-NN)
• 16. خوشه‌بندی: K-Means
• 17. خوشه‌بندی: DBSCAN
• 18. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 19. کاهش ابعاد: t-SNE
• 20. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 21. نورون مصنوعی و تابع فعال‌سازی
• 22. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 23. انتشار رو به عقب (Backpropagation)
• 24. بهینه‌سازی گرادیان نزولی
• 25. نرخ یادگیری و تنظیم آن
• 26. تنظیم‌کننده‌ها: L1 و L2
• 27. تنظیم‌کننده‌ها: Dropout
• 28. شبکه‌های عصبی کانولوشنال (CNN)
• 29. لایه‌های کانولوشنال
• 30. لایه‌های Pooling
• 31. معماری‌های CNN: LeNet
• 32. معماری‌های CNN: AlexNet
• 33. معماری‌های CNN: VGG
• 34. معماری‌های CNN: ResNet
• 35. کاربردهای CNN در بینایی ماشین
• 36. تشخیص تصویر
• 37. شناسایی اشیاء
• 38. تقسیم‌بندی تصویر
• 39. شبکه‌های عصبی بازگشتی (RNN)
• 40. حافظه کوتاه‌مدت (LSTM)
• 41. حافظه طولانی کوتاه‌مدت (GRU)
• 42. کاربردهای RNN در پردازش زبان طبیعی
• 43. مدل‌سازی زبان
• 44. ترجمه ماشینی
• 45. تحلیل احساسات
• 46. تولید متن
• 47. مقدمه‌ای بر یادگیری تقویتی
• 48. عامل و محیط
• 49. پاداش و جریمه
• 50. سیاست عامل
• 51. مقدار تابع
• 52. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 53. الگوریتم‌های یادگیری تقویتی: SARSA
• 54. شبکه‌های عصبی عمیق در یادگیری تقویتی
• 55. شبکه‌های مولد تخاصمی (GANs)
• 56. معماری GAN: مولد و متمایزکننده
• 57. کاربردهای GAN
• 58. شبکه‌های عصبی ترانسفورمر
• 59. مکانیزم توجه (Attention Mechanism)
• 60. کاربردهای ترانسفورمرها
• 61. مدل‌های زبانی بزرگ (LLMs)
• 62. مبانی اخلاقی در هوش مصنوعی
• 63. سوگیری در داده‌ها و مدل‌ها
• 64. عدالت و شفافیت در هوش مصنوعی
• 65. مسئولیت‌پذیری در هوش مصنوعی
• 66. حریم خصوصی و امنیت داده‌ها
• 67. هوش مصنوعی در اقتصاد اسلامی
• 68. کاربرد هوش مصنوعی در بانکداری بدون ربا
• 69. هوش مصنوعی در مدیریت ریسک مالی اسلامی
• 70. کاربرد هوش مصنوعی در پیش‌بینی بازار سهام اسلامی
• 71. هوش مصنوعی در بهینه‌سازی زنجیره تامین با رویکرد اسلامی
• 72. هوش مصنوعی در توسعه پایدار و اقتصاد مقاومتی
• 73. مبانی فقهی کاربرد هوش مصنوعی
• 74. بررسی شبهات فقهی در حوزه هوش مصنوعی
• 75. نقش هوش مصنوعی در استنباط احکام شرعی
• 76. هوش مصنوعی و مسائل اجتماعی با رویکرد اسلامی
• 77. هوش مصنوعی و خانواده ایرانی-اسلامی
• 78. کاربرد هوش مصنوعی در آموزش و پرورش نوین
• 79. هوش مصنوعی در نظام سلامت با چارچوب اسلامی
• 80. هوش مصنوعی در مدیریت شهری و خدمات عمومی
• 81. ملاحظات امنیتی و پدافند غیرعامل در هوش مصنوعی
• 82. نقش هوش مصنوعی در شناسایی و مقابله با تهدیدات سایبری
• 83. پیاده‌سازی پروژه‌های یادگیری عمیق
• 84. مراحل توسعه یک پروژه یادگیری عمیق
• 85. انتخاب چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 86. ساخت و آموزش مدل‌های سفارشی
• 87. تنظیم ابرپارامترها
• 88. اعتبارسنجی متقابل
• 89. استقرار مدل‌ها
• 90. پایش و به‌روزرسانی مدل‌ها
• 91. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 92. کاربرد یادگیری انتقالی در مسائل مختلف
• 93. یادگیری خودنظارتی (Self-Supervised Learning)
• 94. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 95. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 96. کاربردهای یادگیری فدرال در حفظ حریم خصوصی
• 97. هوش مصنوعی قابل توضیح (Explainable AI - XAI)
• 98. چالش‌ها و آینده هوش مصنوعی
• 99. جمع‌بندی مباحث دوره
• 100. مرور کلی بر مفاهیم کلیدی