فلش‌کارت‌های آموزشی مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق (با تمرکز بر مفاهیم Lecture 19)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق (با تمرکز بر مفاهیم Lecture 19)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 2. تاریخچه مختصر شبکه‌های عصبی
• 3. مفهوم نورون مصنوعی
• 4. توابع فعال‌سازی خطی و غیرخطی
• 5. تابع فعال‌سازی سیگموئید
• 6. تابع فعال‌سازی ReLU
• 7. تابع فعال‌سازی تانژانت هیپربولیک
• 8. ساختار لایه‌ای شبکه‌های عصبی
• 9. شبکه‌های عصبی پرسپترون تک‌لایه
• 10. محدودیت‌های پرسپترون تک‌لایه
• 11. شبکه‌های عصبی پرسپترون چندلایه
• 12. مفهوم پس‌انتشار خطا (Backpropagation)
• 13. الگوریتم پس‌انتشار خطا
• 14. نقش گرادیان در پس‌انتشار
• 15. نرخ یادگیری و تأثیر آن
• 16. بهینه‌سازی وزن‌ها و بایاس‌ها
• 17. توابع هزینه (Loss Functions)
• 18. میانگین مربعات خطا (MSE)
• 19. آنتروپی متقاطع (Cross-Entropy)
• 20. طبقه‌بندی دودویی با شبکه‌های عصبی
• 21. طبقه‌بندی چندکلاسه با شبکه‌های عصبی
• 22. آموزش شبکه‌های عصبی عمیق
• 23. چالش‌های شبکه‌های عصبی عمیق
• 24. پدیده ناپدید شدن گرادیان (Vanishing Gradient)
• 25. پدیده انفجار گرادیان (Exploding Gradient)
• 26. روش‌های تنظیم نرخ یادگیری
• 27. بهینه‌سازهای مبتنی بر گرادیان نزولی
• 28. بهینه‌ساز Adam
• 29. بهینه‌ساز RMSprop
• 30. بهینه‌ساز Adagrad
• 31. تنظیم پارامترهای پنهان
• 32. منظم‌سازی (Regularization)
• 33. منظم‌سازی L1 و L2
• 34. تکنیک Dropout
• 35. توقف زودهنگام (Early Stopping)
• 36. شبکه‌های عصبی کانولوشنی (CNN)
• 37. معماری شبکه‌های عصبی کانولوشنی
• 38. لایه کانولوشن
• 39. فیلترهای کانولوشن
• 40. لایه‌های Pooling
• 41. شبکه‌های عصبی بازگشتی (RNN)
• 42. معماری شبکه‌های عصبی بازگشتی
• 43. مشکل حافظه بلندمدت در RNN
• 44. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 45. معماری LSTM
• 46. سلول‌های LSTM
• 47. مکانیسم گیت در LSTM
• 48. شبکه‌های حافظه طولانی کوتاه مدت (GRU)
• 49. معماری GRU
• 50. مقایسه LSTM و GRU
• 51. کاربردهای شبکه‌های عصبی در بینایی ماشین
• 52. تشخیص اشیاء با CNN
• 53. تشخیص چهره با CNN
• 54. پردازش تصویر با CNN
• 55. کاربردهای شبکه‌های عصبی در پردازش زبان طبیعی
• 56. ترجمه ماشینی آماری
• 57. مدل‌های زبانی مبتنی بر RNN
• 58. مدل‌های زبانی مبتنی بر Transformer
• 59. شبکه‌های عصبی مولد (GAN)
• 60. معماری شبکه‌های عصبی مولد
• 61. مولد (Generator)
• 62. متمایزکننده (Discriminator)
• 63. آموزش شبکه‌های عصبی مولد
• 64. کاربردهای GAN در تولید تصویر
• 65. شبکه‌های عصبی خودرمزگذار (Autoencoder)
• 66. معماری خودرمزگذار
• 67. رمزگذار (Encoder)
• 68. رمزگشا (Decoder)
• 69. کاربردهای خودرمزگذار در کاهش ابعاد
• 70. کاهش ابعاد با یادگیری عمیق
• 71. کاربردهای خودرمزگذار در حذف نویز
• 72. یادگیری نمایش (Representation Learning)
• 73. یادگیری نمایش خودنظارتی
• 74. یادگیری نمایش با شبکه‌های عصبی
• 75. شبکه‌های عصبی با توجه (Attention Mechanisms)
• 76. مفهوم مکانیزم توجه
• 77. کاربرد توجه در پردازش زبان طبیعی
• 78. مدل‌های Transformer
• 79. معماری مدل‌های Transformer
• 80. لایه‌های Encoder-Decoder در Transformer
• 81. مکانیزم خودتوجهی (Self-Attention)
• 82. کاربرد توجه در بینایی ماشین
• 83. شبکه‌های عصبی گراف (GNN)
• 84. مفهوم گراف در یادگیری ماشین
• 85. معماری شبکه‌های عصبی گراف
• 86. انتشار پیام (Message Passing)
• 87. کاربرد GNN در شبکه‌های اجتماعی
• 88. کاربرد GNN در شیمی و زیست‌شناسی
• 89. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 90. مفاهیم یادگیری تقویتی
• 91. عامل (Agent)
• 92. محیط (Environment)
• 93. پاداش (Reward)
• 94. سیاست (Policy)
• 95. تابع ارزش (Value Function)
• 96. الگوریتم Q-learning
• 97. Deep Q-Networks (DQN)
• 98. کاربرد DRL در رباتیک
• 99. کاربرد DRL در بازی‌ها
• 100. کاربرد DRL در سیستم‌های توصیه‌گر