فلش‌کارت‌های آموزشی مبانی نظری و کاربردهای یادگیری عمیق در علوم و مهندسی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی نظری و کاربردهای یادگیری عمیق در علوم و مهندسی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 2. تاریخچه و تکامل یادگیری عمیق
• 3. مفاهیم پایه شبکه‌های عصبی مصنوعی
• 4. توابع فعال‌سازی و نقش آن‌ها
• 5. تخمین‌گرهای گرادیان و بهینه‌سازی
• 6. پس‌انتشار خطا (Backpropagation)
• 7. مدل‌های یادگیری عمیق: شبکه‌های پیش‌خور (Feedforward)
• 8. شبکه‌های عصبی کانولوشنی (CNN) - بخش اول
• 9. شبکه‌های عصبی کانولوشنی (CNN) - بخش دوم
• 10. شبکه‌های عصبی بازگشتی (RNN) - بخش اول
• 11. شبکه‌های عصبی بازگشتی (RNN) - بخش دوم
• 12. حافظه طولانی کوتاه‌مدت (LSTM)
• 13. واحد بازگشتی گریدی (GRU)
• 14. شبکه‌های مولد تخاصمی (GAN) - بخش اول
• 15. شبکه‌های مولد تخاصمی (GAN) - بخش دوم
• 16. ترانسفورمرها (Transformers) و مکانیزم توجه (Attention)
• 17. یادگیری تقویتی (Reinforcement Learning) - مفاهیم پایه
• 18. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 19. پیش‌پردازش داده‌ها برای یادگیری عمیق
• 20. تکنیک‌های افزایش داده (Data Augmentation)
• 21. تنظیم‌گرها (Regularization) و جلوگیری از بیش‌برازش (Overfitting)
• 22. روش‌های بهینه‌سازی پیشرفته
• 23. انتخاب معماری مناسب شبکه عصبی
• 24. ارزیابی مدل‌های یادگیری عمیق
• 25. تفسیرپذیری در یادگیری عمیق (Explainable AI)
• 26. یادگیری انتقالی (Transfer Learning)
• 27. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 28. یادگیری خودنظارتی (Self-Supervised Learning)
• 29. کاربرد یادگیری عمیق در بینایی ماشین (بخش اول)
• 30. کاربرد یادگیری عمیق در بینایی ماشین (بخش دوم)
• 31. پردازش زبان طبیعی با یادگیری عمیق (بخش اول)
• 32. پردازش زبان طبیعی با یادگیری عمیق (بخش دوم)
• 33. یادگیری عمیق در سیستم‌های توصیه‌گر
• 34. یادگیری عمیق در حوزه سلامت و پزشکی
• 35. یادگیری عمیق در امور مالی و اقتصادی
• 36. یادگیری عمیق در رباتیک و سیستم‌های خودمختار
• 37. ملاحظات اخلاقی و اجتماعی در یادگیری عمیق
• 38. امنیت و حریم خصوصی در سیستم‌های یادگیری عمیق
• 39. پیاده‌سازی شبکه‌های عصبی با فریم‌ورک‌های رایج
• 40. مقدمه‌ای بر مفاهیم ریاضی یادگیری عمیق
• 41. جبر خطی برای یادگیری عمیق
• 42. حساب دیفرانسیل و انتگرال برای یادگیری عمیق
• 43. احتمال و آمار برای یادگیری عمیق
• 44. بهینه‌سازی محدب (Convex Optimization)
• 45. توابع زیان (Loss Functions) و معیارهای ارزیابی
• 46. فعال‌سازی‌های غیرخطی و اهمیت آن‌ها
• 47. شبکه‌های عصبی کانولوشنی: لایه‌ها و معماری‌ها
• 48. شبکه‌های عصبی بازگشتی: انواع و کاربردها
• 49. مدل‌های زبانی (Language Models) مبتنی بر یادگیری عمیق
• 50. شبکه‌های مولد تخاصمی: اصول و انواع
• 51. ترانسفورمرها: مکانیزم توجه و کاربردهای نوین
• 52. یادگیری تقویتی: الگوریتم‌های پایه
• 53. یادگیری تقویتی عمیق: الگوریتم‌های پیشرفته
• 54. تکنیک‌های تنظیم‌گر: L1، L2 و Dropout
• 55. روش‌های بهینه‌سازی: Adam، RMSprop و Adagrad
• 56. معماری‌های شبکه‌های عصبی عمیق
• 57. تکنیک‌های کاهش ابعاد (Dimensionality Reduction)
• 58. یادگیری عمیق برای داده‌های سری زمانی
• 59. یادگیری عمیق برای داده‌های گراف (Graph Neural Networks)
• 60. یادگیری عمیق در تشخیص الگو
• 61. یادگیری عمیق در طبقه‌بندی تصاویر
• 62. یادگیری عمیق در تشخیص اشیاء
• 63. یادگیری عمیق در بخش‌بندی تصاویر
• 64. یادگیری عمیق در تولید تصاویر
• 65. یادگیری عمیق در ترجمه ماشینی
• 66. یادگیری عمیق در خلاصه‌سازی متن
• 67. یادگیری عمیق در تحلیل احساسات
• 68. یادگیری عمیق در پاسخ به پرسش
• 69. یادگیری عمیق در تشخیص گفتار
• 70. یادگیری عمیق در تولید گفتار
• 71. یادگیری عمیق در بازی‌های رایانه‌ای
• 72. یادگیری عمیق در کشف دارو
• 73. یادگیری عمیق در مدل‌سازی آب و هوا
• 74. یادگیری عمیق در تحلیل داده‌های بزرگ
• 75. یادگیری عمیق در پردازش سیگنال
• 76. یادگیری عمیق در کنترل سیستم‌ها
• 77. یادگیری عمیق در امنیت سایبری
• 78. یادگیری عمیق در رباتیک هوشمند
• 79. یادگیری عمیق در خودران‌ها
• 80. مبانی فقهی و حقوقی استفاده از هوش مصنوعی
• 81. چارچوب‌های قانونی و مقرراتی هوش مصنوعی در ایران
• 82. استانداردهای اخلاقی در توسعه و به‌کارگیری هوش مصنوعی
• 83. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 84. کاربرد هوش مصنوعی در بهینه‌سازی فرآیندهای صنعتی
• 85. کاربرد هوش مصنوعی در مدیریت منابع انرژی
• 86. کاربرد هوش مصنوعی در کشاورزی هوشمند
• 87. کاربرد هوش مصنوعی در شهرهای هوشمند
• 88. کاربرد هوش مصنوعی در آموزش و پرورش
• 89. کاربرد هوش مصنوعی در سیستم‌های اداری و دولتی
• 90. مبانی نظری یادگیری عمیق برای داده‌های غیرساختاریافته
• 91. معرفی مدل‌های پیشرفته یادگیری عمیق
• 92. بررسی چالش‌های عملی در پیاده‌سازی یادگیری عمیق
• 93. آینده یادگیری عمیق و روندهای پژوهشی
• 94. یادگیری عمیق و تعامل انسان و ماشین