فلش‌کارت‌های آموزشی مبانی و کاربردهای یادگیری عمیق با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای یادگیری عمیق با پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری عمیق
• 2. مبانی شبکه های عصبی
• 3. معماری شبکه های عصبی
• 4. توابع فعال سازی
• 5. پس انتشار و گرادیان نزولی
• 6. بهینه سازی مدل ها
• 7. تنظیم کننده ها و تکنیک های منظم سازی
• 8. شبکه های عصبی کانولوشنال
• 9. معماری های پیشرفته CNN
• 10. شبکه های عصبی بازگشتی
• 11. شبکه های LSTM و GRU
• 12. پردازش زبان طبیعی با RNN
• 13. شبکه های مولد تخاصمی (GAN)
• 14. کاربردهای GAN
• 15. یادگیری انتقالی
• 16. تنظیم دقیق مدل های از پیش آموزش دیده
• 17. مقدمه ای بر پایتون برای یادگیری عمیق
• 18. کتابخانه NumPy
• 19. کتابخانه Pandas
• 20. کتابخانه Matplotlib
• 21. کتابخانه Seaborn
• 22. مقدمه ای بر TensorFlow
• 23. مبانی Keras
• 24. ساخت اولین مدل با Keras
• 25. آموزش و ارزیابی مدل ها
• 26. تنظیم هایپرپارامترها
• 27. شبکه های عصبی عمیق برای طبقه بندی تصاویر
• 28. تشخیص اشیاء با CNN
• 29. تقسیم بندی تصاویر با CNN
• 30. پردازش متن با شبکه های بازگشتی
• 31. تولید متن با RNN
• 32. مدل های زبانی مبتنی بر ترنسفورمر
• 33. کاربرد ترنسفورمرها در NLP
• 34. یادگیری تقویتی
• 35. مبانی یادگیری تقویتی عمیق
• 36. کاربردهای یادگیری تقویتی
• 37. شبکه های عصبی خودرمزگذار (Autoencoders)
• 38. کاربردهای Autoencoders
• 39. شبکه های عصبی گراف (GNN)
• 40. کاربردهای GNN
• 41. مقدمه ای بر یادگیری عمیق در پزشکی
• 42. تشخیص بیماری با تصاویر پزشکی
• 43. تولید دارو با یادگیری عمیق
• 44. یادگیری عمیق در امور مالی
• 45. پیش بینی بازار سهام
• 46. یادگیری عمیق در خودروسازی
• 47. خودروهای خودران
• 48. یادگیری عمیق در رباتیک
• 49. کنترل ربات ها
• 50. مقدمه ای بر مفاهیم اخلاقی در هوش مصنوعی
• 51. مسائل حریم خصوصی و امنیت داده ها
• 52. سوگیری در الگوریتم های هوش مصنوعی
• 53. راهکارهای کاهش سوگیری
• 54. ملاحظات قانونی و شرعی در یادگیری عمیق
• 55. حفظ حریم خصوصی داده ها در سیستم های هوش مصنوعی
• 56. امنیت الگوریتم ها در برابر حملات
• 57. کاربردهای یادگیری عمیق در صنعت
• 58. یادگیری عمیق در کشاورزی
• 59. تولید محتوا با هوش مصنوعی
• 60. بهینه سازی فرآیندها با یادگیری عمیق
• 61. مبانی یادگیری عمیق توزیع شده
• 62. آموزش مدل ها بر روی چندین دستگاه
• 63. مقدمه ای بر یادگیری عمیق روی سخت افزارهای تخصصی
• 64. پردازشگرهای گرافیکی (GPU)
• 65. تنسور پردازشگرها (TPU)
• 66. بهینه سازی مدل ها برای استقرار
• 67. تکنیک های فشرده سازی مدل
• 68. کوانتیزاسیون مدل ها
• 69. هوش مصنوعی قابل تفسیر (XAI)
• 70. تکنیک های تفسیرپذیری مدل
• 71. مبانی یادگیری عمیق در سیستم های توصیه گر
• 72. ساخت سیستم های توصیه گر شخصی سازی شده
• 73. یادگیری عمیق در پردازش گفتار
• 74. تشخیص گفتار
• 75. تولید گفتار
• 76. مقدمه ای بر یادگیری عمیق در تحلیل احساسات
• 77. تحلیل احساسات متن
• 78. تحلیل احساسات ویدئو
• 79. یادگیری عمیق در بازی ها
• 80. طراحی بازی با هوش مصنوعی
• 81. بهینه سازی عملکرد بازی با یادگیری عمیق
• 82. مبانی یادگیری عمیق در تحلیل داده های سری زمانی
• 83. پیش بینی سری های زمانی
• 84. کاربرد یادگیری عمیق در تحقیقات علمی
• 85. کشف الگوهای جدید در داده های علمی
• 86. مقدمه ای بر چارچوب های یادگیری عمیق دیگر
• 87. PyTorch
• 88. MXNet
• 89. مقایسه چارچوب های یادگیری عمیق
• 90. انتخاب چارچوب مناسب
• 91. مبانی پیاده سازی شبکه های عمیق سفارشی
• 92. لایه های سفارشی
• 93. توابع هزینه سفارشی
• 94. بهینه سازی و تنظیم دقیق مدل های پیچیده
• 95. شبکه های عصبی عمیق برای داده های حجمی
• 96. مدل سازی سه بعدی با یادگیری عمیق
• 97. کاربردهای یادگیری عمیق در مدیریت شهری
• 98. بهینه سازی ترافیک شهری
• 99. نظارت هوشمند شهری
• 100. مقدمه ای بر یادگیری عمیق در آموزش