کتاب صوتی معماری‌های پیشرفته یادگیری عمیق: درک و پیاده‌سازی مدل‌های روز دنیا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معماری‌های پیشرفته یادگیری عمیق: درک و پیاده‌سازی مدل‌های روز دنیا

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 2. مفاهیم پایه شبکه‌های عصبی مصنوعی
• 3. توابع فعال‌سازی و نقش آن‌ها
• 4. آموزش شبکه‌های عصبی: گرادیان کاهشی
• 5. پس‌انتشار خطا (Backpropagation)
• 6. بهینه‌سازها: Adam، SGD، RMSprop
• 7. تنظیم‌کننده‌ها (Regularization): L1 و L2
• 8. تکنیک‌های جلوگیری از بیش‌برازش (Overfitting)
• 9. معماری‌های پیشخور (Feedforward Architectures)
• 10. شبکه‌های عصبی کانولوشنی (CNN)
• 11. لایه‌های کانولوشن و پولینگ
• 12. کاربرد CNN در پردازش تصویر
• 13. شبکه‌های عصبی بازگشتی (RNN)
• 14. حافظه بلند کوتاه مدت (LSTM)
• 15. واحد بازگشتی دروازه‌ای (GRU)
• 16. کاربرد RNN در پردازش زبان طبیعی
• 17. شبکه‌های عصبی ترنسفورمر
• 18. مکانیسم توجه (Attention Mechanism)
• 19. معماری ترنسفورمر برای پردازش زبان
• 20. ترنسفورمرهای پیش‌آموزش‌دیده (BERT, GPT)
• 21. یادگیری انتقالی (Transfer Learning)
• 22. مدل‌های تولیدی (Generative Models)
• 23. شبکه‌های مولد تخاصمی (GANs)
• 24. معماری‌های پیشرفته GAN
• 25. کاربرد GAN در تولید تصویر
• 26. خودرمزگذارها (Autoencoders)
• 27. خودرمزگذارهای متغیر (Variational Autoencoders - VAE)
• 28. کاربرد VAE در کاهش ابعاد
• 29. یادگیری تقویتی (Reinforcement Learning)
• 30. مفاهیم پایه یادگیری تقویتی
• 31. عامل (Agent)، محیط (Environment)، پاداش (Reward)
• 32. یادگیری عمیق تقویتی (Deep RL)
• 33. الگوریتم‌های Q-Learning
• 34. الگوریتم‌های Policy Gradient
• 35. یادگیری عمیق با معماری ترنسفورمر
• 36. مدل‌های زبانی بزرگ (LLMs)
• 37. تکنیک‌های پیش‌آموزش LLMs
• 38. تنظیم دقیق (Fine-tuning) LLMs
• 39. کاربرد LLMs در تولید متن
• 40. کاربرد LLMs در خلاصه‌سازی متن
• 41. کاربرد LLMs در ترجمه ماشینی
• 42. کاربرد LLMs در پاسخ به سوال
• 43. معماری‌های مدل‌های گراف (GNNs)
• 44. کاربرد GNNs در شبکه‌های اجتماعی
• 45. کاربرد GNNs در پیش‌بینی خواص مولکولی
• 46. شبکه‌های عصبی اسپایکی (SNNs)
• 47. معماری‌های نوین در یادگیری عمیق
• 48. یادگیری چندوجهی (Multimodal Learning)
• 49. یادگیری خودنظارتی (Self-Supervised Learning)
• 50. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 51. یادگیری فدرال (Federated Learning)
• 52. حریم خصوصی در یادگیری عمیق
• 53. امنیت در مدل‌های یادگیری عمیق
• 54. تفسیرپذیری مدل‌های یادگیری عمیق (XAI)
• 55. هوش مصنوعی مسئولانه
• 56. ملاحظات اخلاقی در هوش مصنوعی
• 57. پیاده‌سازی مدل‌ها با PyTorch
• 58. پیاده‌سازی مدل‌ها با TensorFlow
• 59. استفاده از کتابخانه‌های پیشرفته
• 60. بهینه‌سازی عملکرد مدل‌ها
• 61. مدیریت داده‌ها برای یادگیری عمیق
• 62. پیش‌پردازش داده‌ها
• 63. افزایش داده (Data Augmentation)
• 64. ارزیابی مدل‌ها: معیارها
• 65. عیب‌یابی مدل‌ها
• 66. استقرار مدل‌ها (Deployment)
• 67. معماری‌های محاسباتی برای یادگیری عمیق
• 68. سخت‌افزار شتاب‌دهنده (GPU, TPU)
• 69. موازی‌سازی در یادگیری عمیق
• 70. یادگیری عمیق برای بینایی کامپیوتر
• 71. پردازش تصویر پیشرفته با CNN
• 72. تشخیص اشیاء و بخش‌بندی معنایی
• 73. یادگیری عمیق برای پردازش زبان طبیعی
• 74. مدل‌سازی توالی و سری‌های زمانی
• 75. تحلیل احساسات با مدل‌های پیشرفته
• 76. سیستم‌های توصیه‌گر مبتنی بر یادگیری عمیق
• 77. یادگیری عمیق در رباتیک
• 78. سیستم‌های خودمختار و یادگیری عمیق
• 79. یادگیری عمیق در پزشکی و سلامت
• 80. کاربرد یادگیری عمیق در تشخیص بیماری
• 81. یادگیری عمیق در کشف دارو
• 82. یادگیری عمیق در امور مالی
• 83. تحلیل ریسک با یادگیری عمیق
• 84. شناسایی تقلب با یادگیری عمیق
• 85. کاربرد یادگیری عمیق در علوم داده
• 86. تحلیل داده‌های بزرگ با مدل‌های پیشرفته
• 87. پیش‌بینی روندها با یادگیری عمیق
• 88. معماری‌های عصبی برای داده‌های ساختاریافته
• 89. یادگیری تقویتی در بازی‌ها
• 90. یادگیری عمیق در سیستم‌های توزیع‌شده
• 91. بهینه‌سازی سیستم‌ها با یادگیری عمیق
• 92. توسعه ابزارها و فریم‌ورک‌های یادگیری عمیق
• 93. مقایسه معماری‌های نوین
• 94. چالش‌های پیش رو در یادگیری عمیق
• 95. آینده پژوهش در یادگیری عمیق
• 96. ارتباط با چارچوب‌های رسمی علمی و فقهی
• 97. ملاحظات حقوقی و مقرراتی در استفاده از هوش مصنوعی
• 98. استانداردهای داده در نظام جمهوری اسلامی ایران
• 99. کاربرد یادگیری عمیق در تحقق اقتصاد مقاومتی
• 100. نقش یادگیری عمیق در پیشرفت علمی کشور