کتاب صوتی معماری‌های رایج شبکه‌های عصبی برای یادگیری انتقالی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معماری‌های رایج شبکه‌های عصبی برای یادگیری انتقالی

موضوع کلی: یادگیری انتقالی و مدل‌سازی داده‌های با ابعاد بالا

موضوع میانی: مفاهیم پایه یادگیری انتقالی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری انتقالی
• 2. مبانی شبکه‌های عصبی عمیق
• 3. شبکه‌های عصبی کانولوشنال (CNN)
• 4. شبکه‌های عصبی بازگشتی (RNN)
• 5. شبکه‌های مولد تخاصمی (GAN)
• 6. معماری ترنسفورمر
• 7. روش‌های استخراج ویژگی
• 8. فروزان‌سازی ویژگی‌ها
• 9. انتقال وزن‌ها
• 10. تنظیم دقیق (Fine-tuning)
• 11. تنظیم دقیق جزئی
• 12. تنظیم دقیق کل مدل
• 13. استخراج ویژگی ثابت
• 14. استفاده از لایه‌های اولیه
• 15. استفاده از لایه‌های میانی
• 16. استفاده از لایه‌های نهایی
• 17. آموزش طبقه‌بند خطی بر روی ویژگی‌ها
• 18. مفاهیم یادگیری چندوظیفه‌ای
• 19. اشتراک‌گذاری وزن‌ها در یادگیری چندوظیفه‌ای
• 20. شبکه‌های عصبی برای پردازش زبان طبیعی (NLP)
• 21. مدل‌های زبانی پیش‌آموزش‌دیده
• 22. BERT
• 23. GPT-2
• 24. GPT-3
• 25. RoBERTa
• 26. XLM-R
• 27. ALBERTa
• 28. ELECTRA
• 29. Word Embeddings
• 30. Word2Vec
• 31. GloVe
• 32. FastText
• 33. انتقال دانش در NLP
• 34. مکانیسم توجه (Attention Mechanism)
• 35. خود-توجهی (Self-Attention)
• 36. ترنسفورمرهای پیشرفته
• 37. ترنسفورمرهای برای ترجمه ماشینی
• 38. ترنسفورمرهای برای خلاصه‌سازی متن
• 39. ترنسفورمرهای برای پاسخگویی به سوالات
• 40. ترنسفورمرهای برای تولید متن
• 41. ترنسفورمرهای برای تحلیل احساسات
• 42. شبکه‌های عصبی برای بینایی ماشین (Computer Vision)
• 43. شبکه‌های عصبی برای تشخیص اشیا
• 44. شبکه‌های عصبی برای بخش‌بندی تصویر
• 45. شبکه‌های عصبی برای تشخیص چهره
• 46. شبکه‌های عصبی برای تولید تصویر
• 47. شبکه‌های عصبی برای افزایش کیفیت تصویر
• 48. شبکه‌های عصبی برای انتقال سبک تصویر
• 49. شبکه‌های عصبی برای ردیابی اشیا
• 50. شبکه‌های عصبی برای استخراج سه‌بعدی از دو‌بعدی
• 51. شبکه‌های عصبی برای بازسازی سه‌بعدی
• 52. شبکه‌های عصبی برای تشخیص فعالیت
• 53. شبکه‌های عصبی برای درک صحنه
• 54. معماری‌های CNN رایج برای یادگیری انتقالی
• 55. AlexNet
• 56. ResNet
• 57. Inception
• 58. MobileNet
• 59. EfficientNet
• 60. DenseNet
• 61. SqueezeNet
• 62. GoogLeNet
• 63. SENet
• 64. شبکه‌های عصبی برای یادگیری تقویتی (RL)
• 65. انتقال دانش در یادگیری تقویتی
• 66. معماری‌های RL برای یادگیری انتقالی
• 67. Deep Q-Networks (DQN)
• 68. Actor-Critic Methods
• 69. Policy Gradients
• 70. Proximal Policy Optimization (PPO)
• 71. Asynchronous Advantage Actor-Critic (A3C)
• 72. Trust Region Policy Optimization (TRPO)
• 73. Deep Deterministic Policy Gradient (DDPG)
• 74. Soft Actor-Critic (SAC)
• 75. Rainbow DQN
• 76. AlphaGo / AlphaZero
• 77. کاربردهای یادگیری انتقالی
• 78. کاربرد در پزشکی
• 79. کاربرد در خودروهای خودران
• 80. کاربرد در امور مالی
• 81. کاربرد در توصیه‌گرها
• 82. کاربرد در رباتیک
• 83. کاربرد در آموزش
• 84. کاربرد در تولید محتوا
• 85. کاربرد در امنیت سایبری
• 86. کاربرد در اکتشافات علمی
• 87. کاربرد در بازی‌ها
• 88. چالش‌های یادگیری انتقالی
• 89. مشکل ناهمگونی دامنه (Domain Shift)
• 90. مشکل کمبود داده در دامنه هدف
• 91. مشکل تعمیم‌پذیری (Generalization)
• 92. مشکل ناپایداری در تنظیم دقیق
• 93. مشکل انتخاب معماری مناسب
• 94. مشکل ارزیابی عملکرد
• 95. ملاحظات اخلاقی در یادگیری انتقالی
• 96. سوگیری در داده‌های پیش‌آموزش‌دیده
• 97. شفافیت و تفسیرپذیری
• 98. بهینه‌سازی و تسریع یادگیری انتقالی
• 99. روش‌های تقطیر دانش (Knowledge Distillation)
• 100. روش‌های یادگیری کم‌نمونه (Few-shot Learning)