فلش‌کارت‌های آموزشی اصول و مبانی نظری یادگیری عمیق با رویکرد علمی و کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول و مبانی نظری یادگیری عمیق با رویکرد علمی و کاربردی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی نظری یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مبانی نظری یادگیری عمیق: مقدمه
• 2. مفاهیم پایه یادگیری ماشین
• 3. مدل‌های خطی در یادگیری عمیق
• 4. توابع فعال‌سازی: از سیگموئید تا ReLU
• 5. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 6. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 7. بهینه‌سازی گرادیان نزولی
• 8. نرخ یادگیری و تنظیمات آن
• 9. تکنیک‌های تنظیم نرخ یادگیری: کاهنده
• 10. منظم‌سازی (Regularization) در شبکه‌های عصبی
• 11. روش‌های منظم‌سازی: L1 و L2
• 12. انسداد (Dropout) و کاربردهای آن
• 13. شبکه‌های عصبی کانولوشنی (CNN)
• 14. ساختار لایه‌های کانولوشن
• 15. فیلترها و نقش آن‌ها در CNN
• 16. لایه‌های تجمیع (Pooling)
• 17. کاربردهای CNN در بینایی ماشین
• 18. شبکه‌های عصبی بازگشتی (RNN)
• 19. ساختار سلول RNN
• 20. مشکلات گرادیان در RNN: انفجار و ناپدید شدن
• 21. حافظه کوتاه‌مدت طولانی (LSTM)
• 22. واحد گیت در LSTM
• 23. کاربرد LSTM در پردازش زبان طبیعی
• 24. شبکه‌های عصبی ترنسفورمر (Transformer)
• 25. مکانیزم توجه (Attention)
• 26. خود-توجهی (Self-Attention)
• 27. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 28. یادگیری انتقالی (Transfer Learning)
• 29. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 30. تکنیک‌های افزایش داده (Data Augmentation)
• 31. مدل‌های مولد (Generative Models)
• 32. شبکه‌های مولد تخاصمی (GAN)
• 33. مبانی GAN و نحوه آموزش
• 34. کاربردهای GAN در تولید تصویر
• 35. کدگذار-رمزگشا (Autoencoders)
• 36. ساختار و کاربردهای Autoencoder
• 37. Autoencoderهای متغیر (Variational Autoencoders - VAE)
• 38. یادگیری تقویتی (Reinforcement Learning)
• 39. مفاهیم پایه یادگیری تقویتی: عامل، محیط، پاداش
• 40. یادگیری Q (Q-Learning)
• 41. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 42. کاربرد یادگیری تقویتی در رباتیک
• 43. شبکه‌های عصبی گراف (Graph Neural Networks - GNN)
• 44. مبانی GNN و عملیات روی گراف‌ها
• 45. کاربرد GNN در شبکه‌های اجتماعی
• 46. مباحث پیشرفته در شبکه‌های عصبی
• 47. شبکه‌های عصبی تصادفی (Random Neural Networks)
• 48. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
• 49. نظریه اطلاعات در یادگیری عمیق
• 50. آنتروپی و اطلاعات متقابل
• 51. کاربرد نظریه اطلاعات در انتخاب ویژگی
• 52. آنالیز پیچیدگی محاسباتی مدل‌ها
• 53. پیچیدگیVC (VC Dimension)
• 54. نظریه یادگیری آماری (Statistical Learning Theory)
• 55. قضیه ول-وان (Vapnik-Chervonenkis Bound)
• 56. یادگیری بدون نظارت (Unsupervised Learning)
• 57. خوشه‌بندی (Clustering) با شبکه‌های عصبی
• 58. کاهش ابعاد (Dimensionality Reduction)
• 59. تحلیل مؤلفه‌های اصلی (PCA) با رویکرد شبکه‌های عصبی
• 60. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 61. روش‌های ترکیب یادگیری نظارتی و بدون نظارت
• 62. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 63. به اشتراک‌گذاری ویژگی‌ها در Multi-Task Learning
• 64. یادگیری عمیق توضیحی (Explainable AI - XAI)
• 65. روش‌های تفسیرپذیری مدل‌های یادگیری عمیق
• 66. LIME و SHAP
• 67. ملاحظات اخلاقی در هوش مصنوعی
• 68. سوگیری در داده‌ها و مدل‌ها
• 69. عدالت و شفافیت در هوش مصنوعی
• 70. امنیت مدل‌های یادگیری عمیق
• 71. حملات متخاصم (Adversarial Attacks)
• 72. روش‌های دفاع در برابر حملات متخاصم
• 73. یادگیری عمیق در علم داده
• 74. کاربرد یادگیری عمیق در پیش‌بینی سری‌های زمانی
• 75. تحلیل احساسات با شبکه‌های عصبی
• 76. پردازش تصویر پیشرفته با یادگیری عمیق
• 77. تشخیص اشیاء و بخش‌بندی تصویر
• 78. یادگیری عمیق در سیستم‌های توصیه‌گر
• 79. مبانی سیستم‌های توصیه‌گر مبتنی بر یادگیری عمیق
• 80. استفاده از شبکه‌های عصبی در توصیه‌گرها
• 81. یادگیری عمیق در پردازش گفتار
• 82. تشخیص گفتار و سنتز گفتار
• 83. مدل‌های زبان بزرگ (Large Language Models - LLM)
• 84. معماری و آموزش LLMها
• 85. کاربرد LLM در تولید متن و خلاصه‌سازی
• 86. بهینه‌سازی مدل‌های یادگیری عمیق
• 87. تکنیک‌های موازی‌سازی و توزیع آموزش
• 88. سخت‌افزار مناسب برای یادگیری عمیق
• 89. فریم‌ورک‌های یادگیری عمیق: TensorFlow و PyTorch
• 90. مفاهیم پیشرفته در بهینه‌سازی
• 91. روش‌های بهینه‌سازی تصادفی پیشرفته
• 92. همگرایی مدل‌های یادگیری عمیق
• 93. تحلیل پایداری مدل‌ها
• 94. مبانی نظری یادگیری عمیق: جمع‌بندی
• 95. چالش‌های آینده در یادگیری عمیق
• 96. یادگیری عمیق قابل اعتماد و امن
• 97. آینده هوش مصنوعی و یادگیری عمیق