فلش‌کارت‌های آموزشی یادگیری عمیق چندوجهی الهام‌گرفته از مغز

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق چندوجهی الهام‌گرفته از مغز

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق چندوجهی
• 2. ساختار و عملکرد مغز انسان
• 3. شبکه‌های عصبی بیولوژیکی
• 4. مبانی شبکه‌های عصبی مصنوعی
• 5. رگرسیون خطی و لجستیک
• 6. توابع فعال‌سازی در شبکه‌های عصبی
• 7. پس‌انتشار خطا (Backpropagation)
• 8. بهینه‌سازی گرادیان کاهشی
• 9. معماری‌های پرسپترون چندلایه
• 10. شبکه‌های عصبی کانولوشنی (CNN)
• 11. استخراج ویژگی با CNN
• 12. کاربرد CNN در پردازش تصویر
• 13. شبکه‌های عصبی بازگشتی (RNN)
• 14. حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 15. کاربرد RNN در پردازش زبان طبیعی
• 16. شبکه‌های عصبی ترنسفورمر
• 17. مکانیزم توجه (Attention Mechanism)
• 18. کاربرد ترنسفورمر در NLP
• 19. یادگیری عمیق چندوجهی: مفاهیم پایه
• 20. ترکیب اطلاعات از منابع مختلف
• 21. مدل‌های چندوجهی برای پردازش تصویر و متن
• 22. شبکه‌های عصبی مولد (GAN)
• 23. کاربرد GAN در تولید تصویر
• 24. یادگیری تقویتی
• 25. یادگیری عمیق تقویتی
• 26. کاربرد یادگیری تقویتی در رباتیک
• 27. مبانی پردازش زبان طبیعی
• 28. مدل‌های زبانی آماری
• 29. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 30. توکن‌سازی و بردارسازی کلمات (Word Embeddings)
• 31. Word2Vec و GloVe
• 32. پردازش زبان طبیعی عصبی (NLU)
• 33. درک مطلب با شبکه‌های عصبی
• 34. ترجمه ماشینی عصبی
• 35. تولید متن با شبکه‌های عصبی
• 36. مبانی پردازش تصویر
• 37. فیلترهای تصویر و استخراج لبه
• 38. تشخیص اشیاء در تصاویر
• 39. تقسیم‌بندی تصاویر (Image Segmentation)
• 40. پردازش ویدئو با شبکه‌های عصبی
• 41. تشخیص احساسات از روی چهره
• 42. پردازش صدا و گفتار
• 43. تشخیص گفتار
• 44. تولید گفتار
• 45. فشرده‌سازی و بازیابی اطلاعات چندوجهی
• 46. همگام‌سازی جریان‌های چندوجهی
• 47. یادگیری نمایش‌های مشترک (Joint Representations)
• 48. یادگیری نمایش‌های چندوجهی
• 49. مدل‌های تساوی (Contrastive Learning)
• 50. کاربرد تساوی در یادگیری چندوجهی
• 51. یادگیری خودنظارتی چندوجهی
• 52. کاربرد خودنظارتی در پردازش تصویر و متن
• 53. شبکه‌های عصبی گراف (GNN)
• 54. کاربرد GNN در داده‌های ساختاریافته
• 55. شبکه‌های عصبی برای داده‌های سری زمانی
• 56. پیش‌بینی سری‌های زمانی با یادگیری عمیق
• 57. مدل‌های مبتنی بر توجه برای سری‌های زمانی
• 58. مدل‌های زبانی بزرگ (LLM)
• 59. آموزش و تنظیم دقیق LLM
• 60. کاربرد LLM در تولید محتوا
• 61. یادگیری عمیق برای رباتیک
• 62. کنترل ربات با یادگیری تقویتی
• 63. رؤیت رباتیک با شبکه‌های عصبی
• 64. یادگیری عمیق در پزشکی
• 65. تشخیص بیماری از روی تصاویر پزشکی
• 66. یادگیری عمیق در حوزه سلامت
• 67. یادگیری عمیق در امور مالی
• 68. پیش‌بینی بازار سهام
• 69. تشخیص تقلب مالی
• 70. یادگیری عمیق در حمل و نقل
• 71. خودروهای خودران
• 72. بهینه‌سازی ترافیک
• 73. یادگیری عمیق در آموزش
• 74. شخصی‌سازی فرایندهای یادگیری
• 75. ارزیابی فراگیران با هوش مصنوعی
• 76. اخلاق در هوش مصنوعی
• 77. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 78. حریم خصوصی در داده‌های چندوجهی
• 79. سوگیری در مدل‌های هوش مصنوعی
• 80. کاهش سوگیری در مدل‌های چندوجهی
• 81. تفسیرپذیری مدل‌های یادگیری عمیق
• 82. تکنیک‌های تفسیرپذیری
• 83. نمایش‌های قابل فهم برای انسان
• 84. مقدمه‌ای بر مدل‌های ترکیبی
• 85. ترکیب مدل‌های یادگیری عمیق
• 86. بهینه‌سازی مدل‌های ترکیبی
• 87. شبکه‌های عصبی برای داده‌های مکانی-زمانی
• 88. تحلیل داده‌های مکانی-زمانی
• 89. پیش‌بینی رویدادهای مکانی-زمانی
• 90. یادگیری عمیق برای سیستم‌های توصیه‌گر
• 91. توصیه‌گرهای چندوجهی
• 92. ارزیابی سیستم‌های توصیه‌گر
• 93. مباحث پیشرفته در شبکه‌های عصبی کانولوشنی
• 94. معماری‌های پیشرفته CNN
• 95. کاربرد CNN در تشخیص الگوهای پیچیده
• 96. مباحث پیشرفته در شبکه‌های عصبی بازگشتی
• 97. معماری‌های پیشرفته RNN
• 98. کاربرد RNN در پردازش دنباله‌های طولانی
• 99. مباحث پیشرفته در ترنسفورمرها
• 100. مدل‌های ترنسفورمر برای وظایف مختلف