کتاب صوتی شبکه‌های عصبی با پایتون: مبانی و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی با پایتون: مبانی و کاربردها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه بر شبکه‌های عصبی
• 2. مبانی یادگیری ماشین
• 3. ساختار سلول عصبی مصنوعی
• 4. توابع فعال‌سازی در شبکه‌های عصبی
• 5. لایه‌های شبکه‌های عصبی
• 6. شبکه‌های عصبی پیشخور
• 7. پس‌انتشار خطا
• 8. آموزش شبکه‌های عصبی
• 9. بهینه‌سازی پارامترها
• 10. نرخ یادگیری
• 11. تنظیمات هایپرپارامترها
• 12. شبکه‌های عصبی پرسپترون تک‌لایه
• 13. شبکه‌های عصبی پرسپترون چندلایه
• 14. توابع زیان
• 15. بهینه‌سازهای مبتنی بر گرادیان
• 16. نزول گرادیان تصادفی
• 17. بهینه‌سازهای پیشرفته (Adam, RMSprop)
• 18. شبکه‌های عصبی بازگشتی (RNN)
• 19. حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 20. واحد بازگشتی دروازه‌ای (GRU)
• 21. کاربرد RNN در پردازش زبان طبیعی
• 22. شبکه‌های عصبی کانولوشنی (CNN)
• 23. لایه‌های کانولوشن
• 24. لایه‌های پولینگ
• 25. کاربرد CNN در بینایی ماشین
• 26. شبکه‌های مولد تخاصمی (GAN)
• 27. معماری GAN
• 28. آموزش GAN
• 29. کاربرد GAN در تولید تصویر
• 30. شبکه‌های عصبی ترنسفورمر
• 31. مکانیزم توجه (Attention)
• 32. پردازش موازی در ترنسفورمرها
• 33. کاربرد ترنسفورمر در NLP
• 34. یادگیری تقویتی
• 35. عوامل و محیط در یادگیری تقویتی
• 36. عناصر یادگیری تقویتی
• 37. یادگیری بر اساس سیاست
• 38. یادگیری بر اساس ارزش
• 39. الگوریتم‌های یادگیری تقویتی (Q-learning, SARSA)
• 40. یادگیری عمیق و کاربردهای آن
• 41. مبانی پایتون برای شبکه‌های عصبی
• 42. کتابخانه NumPy
• 43. کتابخانه Pandas
• 44. کتابخانه Matplotlib
• 45. کتابخانه Scikit-learn
• 46. کتابخانه TensorFlow
• 47. کتابخانه Keras
• 48. نصب و پیکربندی TensorFlow/Keras
• 49. ساخت اولین شبکه عصبی با Keras
• 50. آموزش مدل ساده
• 51. ارزیابی عملکرد مدل
• 52. تنظیمات پیشرفته Keras
• 53. شبکه‌های عصبی برای طبقه‌بندی
• 54. شبکه‌های عصبی برای رگرسیون
• 55. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 56. نرمال‌سازی و استانداردسازی داده‌ها
• 57. کدگذاری ویژگی‌های دسته‌ای
• 58. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست
• 59. مدیریت بیش‌برازش (Overfitting)
• 60. تنظیم‌گری (Regularization)
• 61. ترک کردن (Dropout)
• 62. افزایش داده (Data Augmentation)
• 63. مدیریت کم‌برازش (Underfitting)
• 64. انتخاب معماری مناسب شبکه عصبی
• 65. تنظیم هایپرپارامترها با جستجوی شبکه‌ای
• 66. تنظیم هایپرپارامترها با جستجوی تصادفی
• 67. یادگیری انتقالی (Transfer Learning)
• 68. استفاده از مدل‌های از پیش آموزش‌دیده
• 69. تنظیم دقیق (Fine-tuning) مدل‌ها
• 70. کاربرد شبکه‌های عصبی در پردازش تصویر
• 71. تشخیص اشیاء
• 72. بخش‌بندی تصاویر
• 73. تولید کپشن برای تصاویر
• 74. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 75. تحلیل احساسات
• 76. ترجمه ماشینی
• 77. خلاصه‌سازی متن
• 78. تولید متن
• 79. کاربرد شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 80. فیلترینگ مشارکتی
• 81. فیلترینگ مبتنی بر محتوا
• 82. ترکیب روش‌ها
• 83. ملاحظات اخلاقی در هوش مصنوعی
• 84. حریم خصوصی و امنیت داده‌ها
• 85. سوگیری در الگوریتم‌ها
• 86. شفافیت و قابلیت تفسیر
• 87. کاربردهای شبکه‌های عصبی در صنعت
• 88. کاربرد در حوزه سلامت
• 89. کاربرد در حوزه مالی
• 90. کاربرد در حوزه حمل و نقل
• 91. کاربرد در حوزه تولید
• 92. آینده شبکه‌های عصبی و یادگیری عمیق
• 93. هوش مصنوعی عمومی (AGI)
• 94. شبکه‌های عصبی بیولوژیکی
• 95. شبکه‌های عصبی کوانتومی
• 96. چالش‌ها و فرصت‌های پیش رو
• 97. پروژه عملی: ساخت یک طبقه‌بندی‌کننده تصویر
• 98. پروژه عملی: ساخت یک مدل ترجمه ماشینی ساده
• 99. پروژه عملی: ساخت یک سیستم توصیه‌گر موسیقی
• 100. مروری بر مفاهیم پیشرفته