کتاب صوتی مقدمه‌ای بر محاسبات در ترکیب یادگیری عمیق و یادگیری تقویتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در ترکیب یادگیری عمیق و یادگیری تقویتی

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 3. تابع فعال‌سازی در شبکه‌های عصبی
• 4. پس‌انتشار خطا در شبکه‌های عصبی
• 5. بهینه‌سازی مدل‌های یادگیری عمیق
• 6. معماری‌های پرکاربرد شبکه‌های عصبی
• 7. شبکه‌های عصبی کانولوشنی (CNN)
• 8. کاربرد CNN در پردازش تصویر
• 9. شبکه‌های عصبی بازگشتی (RNN)
• 10. کاربرد RNN در پردازش زبان طبیعی
• 11. حافظه طولانی کوتاه‌مدت (LSTM)
• 12. واحد بازگشتی دروازه‌ای (GRU)
• 13. مقدمه‌ای بر یادگیری تقویتی
• 14. عناصر کلیدی یادگیری تقویتی
• 15. مدل‌های یادگیری تقویتی
• 16. یادگیری تقویتی بدون مدل
• 17. یادگیری تقویتی مبتنی بر مدل
• 18. الگوریتم‌های یادگیری تقویتی
• 19. یادگیری Q
• 20. یادگیری Q عمیق (DQN)
• 21. پیشرفت‌های DQN
• 22. الگوریتم‌های Policy Gradient
• 23. Actor-Critic
• 24. یادگیری تقویتی عمیق در عمل
• 25. ترکیب یادگیری عمیق و یادگیری تقویتی
• 26. چالش‌های ترکیب
• 27. مزایای ترکیب
• 28. کاربردهای ترکیب در رباتیک
• 29. کاربرد در سیستم‌های توصیه‌گر
• 30. کاربرد در بازی‌ها
• 31. کاربرد در مدیریت منابع
• 32. کاربرد در بهینه‌سازی فرآیندها
• 33. کاربرد در خودروهای خودران
• 34. کاربرد در امور مالی
• 35. کاربرد در مراقبت‌های بهداشتی
• 36. کاربرد در آموزش
• 37. مقدمه‌ای بر مفاهیم آماری در یادگیری ماشین
• 38. احتمال و آمار در یادگیری تقویتی
• 39. توزیع‌های احتمالاتی
• 40. استنتاج بیزی
• 41. مدل‌های گرافیکی احتمالاتی
• 42. یادگیری آماری
• 43. مبانی یادگیری نظارت شده
• 44. مبانی یادگیری بدون نظارت
• 45. یادگیری نیمه‌نظارت شده
• 46. یادگیری انتقالی
• 47. یادگیری تقویتی چندعاملی
• 48. مقدمه‌ای بر شبکه‌های عصبی مولد (GAN)
• 49. کاربرد GAN در تولید داده
• 50. یادگیری عمیق برای داده‌های سری زمانی
• 51. یادگیری تقویتی برای کنترل بهینه
• 52. سیستم‌های تطبیقی
• 53. مقدمه‌ای بر بهینه‌سازی در یادگیری ماشین
• 54. روش‌های بهینه‌سازی تصادفی
• 55. بهینه‌سازی با گرادیان نزولی
• 56. بهینه‌سازی با مدل‌های پیشرفته
• 57. تنظیم ابرپارامترها
• 58. اعتبارسنجی متقابل
• 59. تنظیم مدل (Regularization)
• 60. کاهش ابعاد
• 61. تحلیل مؤلفه‌های اصلی (PCA)
• 62. تجزیه مقادیر منفرد (SVD)
• 63. کاربرد PCA و SVD در یادگیری ماشین
• 64. مقدمه‌ای بر پردازش زبان طبیعی
• 65. مدل‌سازی زبان
• 66. بازنمایی کلمات (Word Embeddings)
• 67. شبکه‌های عصبی برای پردازش زبان طبیعی
• 68. ترجمه ماشینی عصبی
• 69. خلاصه‌سازی متن
• 70. تحلیل احساسات
• 71. سیستم‌های پرسش و پاسخ
• 72. مقدمه‌ای بر بینایی ماشین
• 73. استخراج ویژگی در تصاویر
• 74. تشخیص اشیاء
• 75. تقسیم‌بندی تصویر
• 76. تشخیص چهره
• 77. تولید تصویر
• 78. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 79. کاربرد GNN در تحلیل شبکه‌ها
• 80. یادگیری تقویتی برای یادگیری عمیق
• 81. ملاحظات اخلاقی در هوش مصنوعی
• 82. حریم خصوصی در یادگیری ماشین
• 83. امنیت در یادگیری ماشین
• 84. تفسیرپذیری مدل‌های یادگیری عمیق
• 85. مقدمه‌ای بر محاسبات ابری برای هوش مصنوعی
• 86. استفاده از GPU و TPU
• 87. فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 88. پیاده‌سازی مدل‌های یادگیری تقویتی
• 89. بهینه‌سازی عملکرد مدل‌ها
• 90. ارزیابی مدل‌های یادگیری تقویتی
• 91. انتخاب پاداش مناسب
• 92. طراحی تابع پاداش
• 93. تنظیم محیط یادگیری تقویتی
• 94. شبیه‌سازی محیط‌های یادگیری تقویتی
• 95. کاربرد در شبیه‌سازی‌های صنعتی
• 96. کاربرد در بهینه‌سازی زنجیره تأمین
• 97. کاربرد در مدیریت انرژی
• 98. کاربرد در سیستم‌های توزیع‌شده
• 99. مطالعات موردی ترکیب یادگیری عمیق و تقویتی
• 100. روندهای آینده در هوش مصنوعی