فلش‌کارت‌های آموزشی پیاده‌سازی مدل‌های یادگیری عمیق با F# و CNTK

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی مدل‌های یادگیری عمیق با F# و CNTK

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
• 2. اصول یادگیری ماشین
• 3. مبانی یادگیری عمیق
• 4. شبکه‌های عصبی مصنوعی
• 5. ساختار و عملکرد نورون‌ها
• 6. توابع فعال‌سازی در شبکه‌های عصبی
• 7. پس‌انتشار خطا (Backpropagation)
• 8. بهینه‌سازی پارامترها در شبکه‌های عصبی
• 9. معرفی کتابخانه CNTK
• 10. نصب و پیکربندی CNTK
• 11. مفاهیم پایه در CNTK
• 12. ساختارهای داده در CNTK (Tensor, Variable, Constant)
• 13. عملیات ریاضی بر روی تانسورها در CNTK
• 14. تعریف مدل‌های شبکه‌های عصبی در CNTK
• 15. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 16. شبکه‌های عصبی کانولوشنی (CNNs)
• 17. لایه‌های کانولوشن در CNNs
• 18. لایه‌های پولینگ در CNNs
• 19. معماری‌های رایج CNN (مانند LeNet، AlexNet)
• 20. کاربرد CNN در پردازش تصویر
• 21. شبکه‌های عصبی بازگشتی (RNNs)
• 22. سلول‌های حافظه کوتاه-بلند مدت (LSTM)
• 23. واحد بازگشتی دروازه‌ای (GRU)
• 24. کاربرد RNN در پردازش زبان طبیعی
• 25. تعبیه‌سازی کلمات (Word Embeddings)
• 26. مدل‌های زبانی
• 27. شبکه‌های مولد تخاصمی (GANs)
• 28. معماری پایه GAN
• 29. آموزش GANs
• 30. کاربرد GANs در تولید تصویر
• 31. یادگیری تقویتی (Reinforcement Learning)
• 32. مبانی یادگیری تقویتی
• 33. عوامل و محیط‌ها در یادگیری تقویتی
• 34. الگوریتم‌های یادگیری تقویتی (مانند Q-Learning)
• 35. شبکه‌های عصبی عمیق در یادگیری تقویتی (DQN)
• 36. کاربرد یادگیری تقویتی
• 37. مقدمه‌ای بر زبان برنامه‌نویسی F#
• 38. مفاهیم پایه F# (توابع، انواع داده)
• 39. برنامه‌نویسی تابعی در F#
• 40. ساختارهای داده در F# (لیست‌ها، آرایه‌ها)
• 41. برنامه‌نویسی شی‌ءگرا در F# (اختیاری و در چارچوب)
• 42. اصول برنامه‌نویسی ناهمزمان در F#
• 43. کار با فایل‌ها و ورودی/خروجی در F#
• 44. استفاده از کتابخانه‌های خارجی در F#
• 45. اتصال F# به CNTK
• 46. تعریف مدل‌های شبکه‌های عصبی با F# و CNTK
• 47. پیاده‌سازی شبکه‌های عصبی پیش‌خور در F#
• 48. پیاده‌سازی شبکه‌های عصبی کانولوشنی در F#
• 49. پیاده‌سازی شبکه‌های عصبی بازگشتی در F#
• 50. آموزش مدل‌ها با داده‌های تصویری در F#
• 51. آموزش مدل‌ها با داده‌های متنی در F#
• 52. استفاده از LSTM و GRU در F#
• 53. ساخت مدل‌های GAN با F# و CNTK
• 54. پیاده‌سازی الگوریتم‌های یادگیری تقویتی با F#
• 55. ارزیابی عملکرد مدل‌های یادگیری عمیق
• 56. معیارهای ارزیابی (دقت، صحت، بازیابی)
• 57. تنظیم فراپارامترها (Hyperparameter Tuning)
• 58. کاهش بیش‌برازش (Overfitting Reduction)
• 59. روش‌های منظم‌سازی (Regularization Techniques)
• 60. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 61. مجموعه داده‌های رایج در یادگیری عمیق (MNIST، CIFAR-10)
• 62. پیش‌پردازش داده‌ها
• 63. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 64. کاربرد یادگیری عمیق در تشخیص اشیاء
• 65. کاربرد یادگیری عمیق در تشخیص بیماری‌ها (با احتیاط و چارچوب علمی)
• 66. کاربرد یادگیری عمیق در پردازش گفتار (با چارچوب رسمی)
• 67. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
• 68. ملاحظات اخلاقی در هوش مصنوعی
• 69. حفظ حریم خصوصی در داده‌ها
• 70. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 71. سوگیری در الگوریتم‌های هوش مصنوعی
• 72. توسعه هوش مصنوعی مسئولانه
• 73. آینده یادگیری عمیق
• 74. یادگیری عمیق قابل تفسیر (XAI)
• 75. یادگیری فدرال (Federated Learning)
• 76. شبکه‌های عصبی گراف (GNNs)
• 77. یادگیری انتقالی (Transfer Learning)
• 78. کاربرد GNNs در تحلیل شبکه‌ها
• 79. یادگیری عمیق برای داده‌های سری زمانی
• 80. مدل‌های ترنسفورمر (Transformers)
• 81. کاربرد ترنسفورمرها در NLP
• 82. مقدمه‌ای بر پردازش زبان طبیعی پیشرفته
• 83. استخراج اطلاعات از متن
• 84. خلاصه‌سازی خودکار متن
• 85. ترجمه ماشینی
• 86. مدل‌های زبانی بزرگ (LLMs)
• 87. فهم و تولید زبان طبیعی
• 88. کاربردهای LLMs در چارچوب اسلامی (با احتیاط)
• 89. ملاحظات امنیتی در مدل‌های یادگیری عمیق
• 90. حملات خصمانه به شبکه‌های عصبی
• 91. روش‌های دفاع در برابر حملات
• 92. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 93. اهمیت مهندسی ویژگی در مدل‌های سنتی
• 94. تفاوت مهندسی ویژگی با یادگیری عمیق
• 95. بهینه‌سازی مدل‌ها برای استقرار
• 96. استقرار مدل‌های یادگیری عمیق در محیط‌های عملیاتی
• 97. کاربرد F# در پروژه‌های هوش مصنوعی سازمانی
• 98. جمع‌بندی مباحث و چشم‌انداز آینده