فلش‌کارت‌های آموزشی ریاضیات پایه برای شبکه‌های عصبی عمیق: مقدمه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ریاضیات پایه برای شبکه‌های عصبی عمیق: مقدمه

موضوع کلی: علوم کامپیوتر و مهندسی

موضوع میانی: مبانی ریاضی یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری عمیق
• 2. مفهوم شبکه عصبی مصنوعی
• 3. ساختار پایه نورون
• 4. توابع فعال‌سازی
• 5. مفهوم وزن و بایاس
• 6. آموزش شبکه عصبی
• 7. گرادیان کاهشی
• 8. پس‌انتشار خطا
• 9. تابع هزینه
• 10. بهینه‌سازی در یادگیری عمیق
• 11. مفهوم یادگیری نظارت شده
• 12. یادگیری بدون نظارت
• 13. یادگیری تقویتی
• 14. مفهوم مجموعه داده
• 15. تقسیم داده به آموزش، اعتبارسنجی و تست
• 16. پیش‌پردازش داده‌ها
• 17. نرمال‌سازی داده‌ها
• 18. استانداردسازی داده‌ها
• 19. کدگذاری دسته‌ای (One-Hot Encoding)
• 20. مفهوم بردار ویژگی
• 21. مفهوم ماتریس ویژگی
• 22. مفهوم ماتریس کوواریانس
• 23. تحلیل مولفه‌های اصلی (PCA)
• 24. کاهش ابعاد
• 25. مفهوم رگرسیون خطی
• 26. مدل‌های رگرسیون چندگانه
• 27. مفهوم طبقه‌بندی
• 28. رگرسیون لجستیک
• 29. مفهوم تابع سیگموئید
• 30. مفهوم آستانه تصمیم‌گیری
• 31. مفهوم ماتریس درهم‌ریختگی (Confusion Matrix)
• 32. دقت (Accuracy)
• 33. صحت (Precision)
• 34. بازیابی (Recall)
• 35. امتیاز F1
• 36. منحنی ROC
• 37. مساحت زیر منحنی ROC (AUC)
• 38. مفهوم بایاس و واریانس
• 39. خطای بایاس
• 40. خطای واریانس
• 41. توازن بایاس-واریانس
• 42. بیش‌برازش (Overfitting)
• 43. کم‌برازش (Underfitting)
• 44. تنظیم‌گری (Regularization)
• 45. تنظیم‌گری L1
• 46. تنظیم‌گری L2
• 47. ریزش نورون (Dropout)
• 48. افزایش داده (Data Augmentation)
• 49. شبکه‌های عصبی کانولوشنی (CNN)
• 50. لایه‌های کانولوشن
• 51. فیلترها (Kernels)
• 52. لایه‌های پولینگ (Pooling Layers)
• 53. مفهوم استراید (Stride)
• 54. مفهوم پدینگ (Padding)
• 55. شبکه‌های عصبی بازگشتی (RNN)
• 56. حافظه کوتاه‌مدت (LSTM)
• 57. واحد بازگشتی دروازه‌ای (GRU)
• 58. مفهوم توالی (Sequence)
• 59. پردازش زبان طبیعی (NLP)
• 60. مدل‌های زبانی
• 61. جاسازی کلمات (Word Embeddings)
• 62. Word2Vec
• 63. GloVe
• 64. مفهوم شبکه‌های مولد تخاصمی (GAN)
• 65. شبکه مولد (Generator)
• 66. شبکه متمایزکننده (Discriminator)
• 67. آموزش GAN
• 68. مفهوم یادگیری انتقالی (Transfer Learning)
• 69. تنظیم دقیق (Fine-tuning)
• 70. مفهوم فراداده (Metadata)
• 71. مدل‌های گرادیان افزایشی (Gradient Boosting Models)
• 72. درخت تصمیم
• 73. جنگل تصادفی (Random Forest)
• 74. ماشین‌های بردار پشتیبان (SVM)
• 75. هسته‌ها (Kernels) در SVM
• 76. کاربرد یادگیری عمیق در بینایی ماشین
• 77. کاربرد یادگیری عمیق در پردازش صدا
• 78. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
• 79. اخلاق در هوش مصنوعی
• 80. حریم خصوصی در داده‌ها
• 81. سوگیری در الگوریتم‌ها
• 82. مسئولیت‌پذیری در هوش مصنوعی
• 83. مقدمه‌ای بر جبر خطی
• 84. بردارها و عملیات برداری
• 85. ماتریس‌ها و عملیات ماتریسی
• 86. ضرب ماتریس‌ها
• 87. معکوس ماتریس
• 88. دترمینان ماتریس
• 89. مقادیر ویژه و بردارهای ویژه
• 90. مفهوم فضای برداری
• 91. فضاهای برداری زیرین
• 92. مفهوم نگاشت خطی
• 93. تجزیه مقادیر منفرد (SVD)
• 94. مقدمه‌ای بر حساب دیفرانسیل
• 95. مشتق توابع یک متغیره
• 96. قاعده زنجیره‌ای (Chain Rule)
• 97. مشتق توابع چند متغیره
• 98. گرادیان
• 99. هسین (Hessian)
• 100. مفهوم بهینه‌سازی بدون قید