فلش‌کارت‌های آموزشی مبانی شبکه‌های عصبی و یادگیری عمیق: از اصول تا کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی و یادگیری عمیق: از اصول تا کاربردها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی و یادگیری عمیق
• 2. تاریخچه مختصر هوش مصنوعی
• 3. مفاهیم پایه یادگیری ماشین
• 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 5. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 6. نورون مصنوعی و تابع فعال‌سازی
• 7. ساختار لایه‌ای شبکه‌های عصبی
• 8. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 9. پس‌انتشار خطا (Backpropagation)
• 10. بهینه‌سازی و گرادیان کاهشی (Gradient Descent)
• 11. توابع هزینه (Loss Functions)
• 12. تنظیم‌کننده‌ها (Regularizers)
• 13. یادگیری عمیق: تعریف و اهمیت
• 14. شبکه‌های عصبی کانولوشنال (CNNs)
• 15. لایه‌های کانولوشن و پولینگ (Pooling)
• 16. کاربردهای CNN در پردازش تصویر
• 17. شبکه‌های عصبی بازگشتی (RNNs)
• 18. حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 19. کاربردهای RNN در پردازش زبان طبیعی
• 20. شبکه‌های مولد تخاصمی (GANs)
• 21. معماری GAN و نحوه آموزش
• 22. کاربردهای GAN در تولید محتوا
• 23. مقدمه‌ای بر یادگیری تقویتی عمیق (DRL)
• 24. عوامل و محیط در یادگیری تقویتی
• 25. الگوریتم‌های Q-Learning و Deep Q-Networks (DQN)
• 26. شبکه‌های عصبی ترانسفورمر (Transformers)
• 27. مکانیزم توجه (Attention Mechanism)
• 28. کاربردهای ترانسفورمر در پردازش زبان طبیعی
• 29. معماری‌های یادگیری عمیق پیشرفته
• 30. شبکه‌های عصبی گراف (GNNs)
• 31. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 32. تنظیم دقیق مدل‌ها (Fine-tuning)
• 33. تکنیک‌های افزایش داده (Data Augmentation)
• 34. مدیریت داده‌ها در پروژه‌های یادگیری عمیق
• 35. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 36. نرمال‌سازی و استانداردسازی داده‌ها
• 37. انتخاب معماری مناسب شبکه عصبی
• 38. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 39. ارزیابی عملکرد مدل‌های یادگیری عمیق
• 40. معیارهای ارزیابی: دقت، صحت، بازیابی
• 41. تشخیص و مدیریت بیش‌برازش (Overfitting)
• 42. تشخیص و مدیریت کم‌برازش (Underfitting)
• 43. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 44. تحلیل احساسات (Sentiment Analysis)
• 45. مدل‌سازی زبان (Language Modeling)
• 46. ترجمه ماشینی (Machine Translation)
• 47. استخراج اطلاعات (Information Extraction)
• 48. سیستم‌های پرسش و پاسخ (Question Answering)
• 49. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 50. تشخیص اشیاء (Object Detection)
• 51. تقسیم‌بندی تصویر (Image Segmentation)
• 52. تولید تصویر (Image Generation)
• 53. کاربردهای یادگیری عمیق در پزشکی
• 54. تشخیص بیماری‌ها از روی تصاویر پزشکی
• 55. تحلیل داده‌های ژنومیک
• 56. توسعه دارو و کشف ترکیبات جدید
• 57. کاربردهای یادگیری عمیق در امور مالی
• 58. پیش‌بینی بازار سهام
• 59. شناسایی تقلب
• 60. مدیریت ریسک
• 61. کاربردهای یادگیری عمیق در صنعت
• 62. بهینه‌سازی خطوط تولید
• 63. پیش‌بینی خرابی تجهیزات
• 64. رباتیک و اتوماسیون
• 65. کاربردهای یادگیری عمیق در آموزش
• 66. شخصی‌سازی فرآیند یادگیری
• 67. سیستم‌های توصیه‌گر آموزشی
• 68. ارزیابی خودکار تکالیف
• 69. ملاحظات اخلاقی در هوش مصنوعی
• 70. سوگیری در داده‌ها و مدل‌ها
• 71. حریم خصوصی و امنیت داده‌ها
• 72. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 73. تفسیرپذیری مدل‌های یادگیری عمیق (XAI)
• 74. مقدمه‌ای بر هوش مصنوعی قابل اعتماد
• 75. اصول طراحی سیستم‌های هوش مصنوعی اخلاقی
• 76. کاربرد هوش مصنوعی در بهبود زندگی روزمره
• 77. آینده هوش مصنوعی و یادگیری عمیق
• 78. یادگیری عمیق خود-نظارتی (Self-Supervised Learning)
• 79. یادگیری تقویتی چند عامله (Multi-Agent RL)
• 80. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
• 81. یادگیری عمیق در لبه (Edge AI)
• 82. محاسبات کوانتومی و هوش مصنوعی
• 83. تکنیک‌های کاهش ابعاد (Dimensionality Reduction)
• 84. تحلیل مؤلفه‌های اصلی (PCA)
• 85. تحلیل تمایز خطی (LDA)
• 86. کاربرد شبکه‌های عصبی در پیش‌بینی سری‌های زمانی
• 87. مدل‌های LSTM برای سری‌های زمانی
• 88. مدل‌های ترانسفورمر برای سری‌های زمانی
• 89. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)
• 90. ادغام اطلاعات از منابع مختلف
• 91. کاربردهای یادگیری چندوجهی
• 92. یادگیری عمیق در رباتیک پیشرفته
• 93. کنترل ربات با استفاده از یادگیری عمیق
• 94. ناوبری هوشمند ربات‌ها
• 95. مقدمه‌ای بر شبکه‌های عصبی گراف عمیق
• 96. پوشش‌دهی گراف (Graph Embeddings)
• 97. کاربرد GNN در شبکه‌های اجتماعی
• 98. کاربرد GNN در شیمی و داروسازی
• 99. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 100. حفظ حریم خصوصی در یادگیری فدرال