کتاب صوتی آشنایی با شبکه‌های عصبی، پردازش زبان طبیعی و مدل‌های زبانی بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با شبکه‌های عصبی، پردازش زبان طبیعی و مدل‌های زبانی بزرگ

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی شبکه‌های عصبی و پردازش زبان طبیعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین: نظارت شده، بدون نظارت و تقویتی
• 3. انواع الگوریتم‌های یادگیری ماشین
• 4. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 5. نورون‌های مصنوعی و توابع فعال‌سازی
• 6. معماری شبکه‌های عصبی پرسپترون تک لایه
• 7. شبکه‌های عصبی پرسپترون چند لایه
• 8. فرآیند آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 9. بهینه‌سازی پارامترها: گرادیان کاهشی
• 10. تنظیم نرخ یادگیری و مشکلات آن
• 11. منظم‌سازی در شبکه‌های عصبی: L1 و L2
• 12. روش‌های توقف زودهنگام
• 13. معماری‌های پیشرفته شبکه‌های عصبی
• 14. شبکه‌های عصبی کانولوشنال (CNN)
• 15. کاربرد CNN در پردازش تصویر
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. کاربرد RNN در داده‌های ترتیبی
• 18. حافظه طولانی کوتاه مدت (LSTM)
• 19. شبکه‌های عصبی ترنسفورمر
• 20. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 21. چالش‌های پردازش زبان طبیعی
• 22. پیش‌پردازش متن: توکنیزاسیون و حذف کلمات توقف
• 23. ریشه‌یابی کلمات و بن‌واژه‌سازی
• 24. نمایش متنی: کیسه کلمات و TF-IDF
• 25. تعبیه‌های کلمات: Word2Vec
• 26. مدل‌های زبانی آماری
• 27. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 28. مدل‌های زبانی بازگشتی برای NLP
• 29. مدل‌های زبانی ترنسفورمر
• 30. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 31. معماری ترنسفورمر در LLMs
• 32. مکانیزم توجه (Attention Mechanism)
• 33. رمزگذار-رمزگشا در ترنسفورمرها
• 34. GPT و مدل‌های مشابه
• 35. BERT و مدل‌های دوطرفه
• 36. تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ
• 37. کاربردهای مدل‌های زبانی بزرگ
• 38. تولید متن با LLMs
• 39. خلاصه‌سازی متن با LLMs
• 40. ترجمه ماشینی با LLMs
• 41. پاسخ به پرسش با LLMs
• 42. تحلیل احساسات با LLMs
• 43. دسته‌بندی متن با LLMs
• 44. شناسایی موجودیت‌های نام‌دار (NER)
• 45. سیستم‌های توصیه‌گر مبتنی بر LLMs
• 46. ملاحظات اخلاقی در هوش مصنوعی و LLMs
• 47. سوگیری در مدل‌های هوش مصنوعی
• 48. حریم خصوصی و امنیت داده‌ها در NLP
• 49. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 50. آموزش و توسعه مدل‌های هوش مصنوعی در ایران
• 51. قوانین و مقررات مرتبط با هوش مصنوعی در ایران
• 52. استانداردهای اخلاقی برای توسعه هوش مصنوعی
• 53. کاربرد هوش مصنوعی در صنایع مختلف ایران
• 54. پردازش زبان فارسی با مدل‌های هوش مصنوعی
• 55. توسعه ابزارهای NLP برای زبان فارسی
• 56. چالش‌های پردازش زبان فارسی
• 57. مدل‌های زبانی بزرگ فارسی
• 58. آموزش مدل‌های زبانی بزرگ برای زبان فارسی
• 59. ارزیابی مدل‌های زبانی بزرگ فارسی
• 60. کاربرد LLMs در آموزش مجازی در ایران
• 61. توسعه محتوای آموزشی با هوش مصنوعی
• 62. شخصی‌سازی یادگیری با LLMs
• 63. ابزارهای کمکی یادگیری مبتنی بر هوش مصنوعی
• 64. تولید سوالات امتحانی با LLMs
• 65. ارزیابی خودکار پاسخ‌ها با هوش مصنوعی
• 66. مقدمه‌ای بر یادگیری تقویتی
• 67. مفهوم عامل، محیط و پاداش
• 68. انواع یادگیری تقویتی
• 69. الگوریتم‌های Q-Learning
• 70. الگوریتم‌های Policy Gradient
• 71. کاربرد یادگیری تقویتی در رباتیک
• 72. کاربرد یادگیری تقویتی در بازی‌ها
• 73. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 74. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
• 75. معماری GAN: مولد و متمایزکننده
• 76. کاربرد GANs در تولید تصویر
• 77. کاربرد GANs در تولید متن
• 78. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 79. استفاده از مدل‌های از پیش آموزش دیده
• 80. تنظیم دقیق مدل‌ها برای وظایف جدید
• 81. کاربرد یادگیری انتقالی در NLP
• 82. شبکه‌های عصبی گراف (GNNs)
• 83. مقدمه‌ای بر هوش مصنوعی مولد
• 84. کاربرد هوش مصنوعی در علم پزشکی
• 85. پردازش زبان طبیعی در حوزه سلامت
• 86. مدل‌های زبانی بزرگ در تشخیص بیماری
• 87. هوش مصنوعی در داروسازی
• 88. کاربرد هوش مصنوعی در کشاورزی
• 89. هوش مصنوعی در حمل و نقل
• 90. هوش مصنوعی در امور مالی
• 91. هوش مصنوعی در صنعت
• 92. آینده هوش مصنوعی و یادگیری ماشین
• 93. چالش‌های پیش روی توسعه هوش مصنوعی
• 94. فرصت‌های شغلی در حوزه هوش مصنوعی
• 95. راهنمایی برای ادامه یادگیری در هوش مصنوعی
• 96. منابع بیشتر برای مطالعه هوش مصنوعی
• 97. نکات کلیدی در یادگیری ماشین
• 98. برنامه‌نویسی پایتون برای هوش مصنوعی
• 99. کتابخانه‌های کلیدی پایتون (NumPy, Pandas, Scikit-learn)
• 100. کتابخانه‌های یادگیری عمیق (TensorFlow, PyTorch)