فلش‌کارت‌های آموزشی تئوری شبکه های عصبی عمیق: مفاهیم پایه برای شبکه های کم عمق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تئوری شبکه های عصبی عمیق: مفاهیم پایه برای شبکه های کم عمق

موضوع کلی: ریاضیات کاربردی در علوم کامپیوتر

موضوع میانی: مبانی ریاضی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ریاضیات کاربردی در علوم کامپیوتر
• 2. مبانی جبر خطی برای یادگیری ماشین
• 3. بردارها و ماتریس‌ها: عملیات اساسی
• 4. ضرب ماتریس‌ها و کاربردهای آن
• 5. فضاهای برداری و زیرفضاها
• 6. مستقل خطی و پایه
• 7. ابعاد و رتبه ماتریس
• 8. تحلیل مقادیر منفرد (SVD)
• 9. مفاهیم اولیه حساب دیفرانسیل
• 10. مشتق توابع چند متغیره
• 11. قاعده زنجیره‌ای در مشتق‌گیری
• 12. گرادیان و کاربردهای آن
• 13. بهینه‌سازی با استفاده از گرادیان
• 14. مقدمه‌ای بر احتمالات
• 15. متغیرهای تصادفی و توزیع‌ها
• 16. توزیع‌های گسسته و پیوسته
• 17. امید ریاضی و واریانس
• 18. قضیه حد مرکزی
• 19. قوانین احتمالات و احتمال شرطی
• 20. قضیه بیز و کاربردهای آن
• 21. مقدمه‌ای بر آمار استنباطی
• 22. برآورد پارامترها
• 23. فواصل اطمینان
• 24. آزمون فرض آماری
• 25. مفاهیم مقدماتی نظریه اطلاعات
• 26. آنتروپی و اطلاعات متقابل
• 27. آنتروپی متقاطع و واگرایی کولبک-لایبلر
• 28. کاربرد نظریه اطلاعات در یادگیری ماشین
• 29. مقدمه‌ای بر بهینه‌سازی
• 30. بهینه‌سازی محدب
• 31. روش‌های بهینه‌سازی بدون محدودیت
• 32. روش نزول گرادیان
• 33. روش‌های بهینه‌سازی با محدودیت
• 34. روش لاگرانژین
• 35. کاربرد بهینه‌سازی در مدل‌های یادگیری ماشین
• 36. مبانی شبکه های عصبی
• 37. توابع فعال‌سازی
• 38. ساختار لایه‌ای شبکه های عصبی
• 39. فرآیند یادگیری در شبکه های عصبی
• 40. تابع هزینه و خطای مدل
• 41. پس‌انتشار خطا (Backpropagation)
• 42. تنظیم هایپرپارامترها
• 43. روش‌های تنظیم (Regularization)
• 44. L1 و L2 Regularization
• 45. Dropout
• 46. Batch Normalization
• 47. مقدمه‌ای بر یادگیری عمیق
• 48. شبکه‌های عصبی کانولوشنی (CNN)
• 49. لایه کانولوشن
• 50. لایه پولینگ
• 51. کاربرد CNN در بینایی ماشین
• 52. شبکه‌های عصبی بازگشتی (RNN)
• 53. سلول‌های حافظه کوتاه‌مدت (LSTM)
• 54. شبکه‌های حافظه طولانی کوتاه‌مدت (GRU)
• 55. کاربرد RNN در پردازش زبان طبیعی
• 56. معماری‌های پیشرفته شبکه های عصبی
• 57. شبکه‌های مولد تخاصمی (GAN)
• 58. شبکه‌های خودرمزگذار (Autoencoders)
• 59. شبکه‌های ترنسفورمر (Transformer)
• 60. مقدمه‌ای بر تحلیل داده‌های بزرگ
• 61. پردازش داده‌ها در مقیاس بزرگ
• 62. ابزارهای پردازش داده‌های توزیع شده
• 63. مقدمه‌ای بر هوش مصنوعی اخلاقی
• 64. مسئولیت‌پذیری در هوش مصنوعی
• 65. شفافیت و قابلیت تفسیر مدل‌ها
• 66. عدالت و عدم تبعیض در هوش مصنوعی
• 67. حریم خصوصی و امنیت داده‌ها
• 68. کاربرد هوش مصنوعی در صنعت
• 69. هوش مصنوعی در سلامت
• 70. هوش مصنوعی در امور مالی
• 71. هوش مصنوعی در حمل و نقل
• 72. هوش مصنوعی در آموزش
• 73. مقدمه‌ای بر یادگیری تقویتی
• 74. عناصر یادگیری تقویتی
• 75. روش‌های یادگیری تقویتی
• 76. کاربرد یادگیری تقویتی
• 77. مباحث پیشرفته در شبکه های عصبی
• 78. تکنیک‌های پیشرفته پس‌انتشار
• 79. بهینه‌سازی پیشرفته
• 80. ارزیابی و اعتبارسنجی مدل
• 81. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 82. معماری ترنسفورمر برای LLMs
• 83. آموزش مدل‌های زبانی بزرگ
• 84. کاربردهای مدل‌های زبانی بزرگ
• 85. ملاحظات اخلاقی در LLMs
• 86. آینده شبکه های عصبی