کتاب صوتی مبانی و کاربردهای یادگیری عمیق در پردازش داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای یادگیری عمیق در پردازش داده

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و پیشرفت‌های اخیر هوش مصنوعی
• 5. معرفی یادگیری عمیق
• 6. تفاوت یادگیری عمیق با یادگیری ماشین سنتی
• 7. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 8. نورون مصنوعی و تابع فعال‌سازی
• 9. لایه‌های شبکه‌های عصبی: ورودی، پنهان، خروجی
• 10. انتشار رو به جلو (Forward Propagation)
• 11. انتشار رو به عقب (Backpropagation)
• 12. تابع هزینه (Loss Function)
• 13. بهینه‌سازی: گرادیان کاهشی (Gradient Descent)
• 14. نرخ یادگیری (Learning Rate)
• 15. انواع گرادیان کاهشی: دسته‌ای، تصادفی، مینی-دسته‌ای
• 16. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 17. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 18. کاربرد MLP در مسائل طبقه‌بندی و رگرسیون
• 19. شبکه‌های عصبی کانولوشنی (CNN)
• 20. لایه‌های کانولوشن و پولینگ در CNN
• 21. کاربرد CNN در پردازش تصویر
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. حافظه کوتاه‌مدت و بلندمدت (LSTM) و GRU
• 24. کاربرد RNN در پردازش زبان طبیعی
• 25. مدل‌های زبانی و تولید متن
• 26. پردازش زبان طبیعی: مفاهیم و چالش‌ها
• 27. بازنمایی کلمات: Word Embeddings (Word2Vec, GloVe)
• 28. مقدمه‌ای بر یادگیری عمیق در بینایی ماشین
• 29. یادگیری عمیق در تشخیص اشیاء
• 30. یادگیری عمیق در بخش‌بندی تصاویر
• 31. شبکه‌های مولد تخاصمی (GAN)
• 32. کاربرد GAN در تولید داده مصنوعی
• 33. شبکه‌های عصبی ترنسفورمر (Transformer)
• 34. مکانیزم توجه (Attention Mechanism)
• 35. ترنسفورمر در پردازش زبان طبیعی
• 36. مدل‌های زبانی بزرگ (LLM)
• 37. کاربرد LLM در ترجمه ماشینی
• 38. معرفی مدل‌های زبانی پیشرفته
• 39. مبانی یادگیری تقویتی
• 40. عوامل و محیط در یادگیری تقویتی
• 41. حالت، عمل و پاداش
• 42. سیاست (Policy) و تابع ارزش (Value Function)
• 43. یادگیری تقویتی بدون مدل (Model-Free RL)
• 44. یادگیری Q (Q-Learning)
• 45. یادگیری تقویتی عمیق (Deep RL)
• 46. Deep Q-Network (DQN)
• 47. کاربرد یادگیری تقویتی در رباتیک
• 48. یادگیری تقویتی در بازی‌ها
• 49. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 50. سوگیری در داده‌ها و مدل‌ها
• 51. مسئولیت‌پذیری و شفافیت در هوش مصنوعی
• 52. کاربرد هوش مصنوعی در صنعت
• 53. کاربرد هوش مصنوعی در سلامت
• 54. کاربرد هوش مصنوعی در آموزش
• 55. کاربرد هوش مصنوعی در اقتصاد
• 56. کاربرد هوش مصنوعی در کشاورزی
• 57. کاربرد هوش مصنوعی در حمل و نقل
• 58. معرفی چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 59. نصب و راه‌اندازی محیط توسعه
• 60. مراحل ساخت و آموزش مدل یادگیری عمیق
• 61. پیش‌پردازش داده‌ها برای یادگیری عمیق
• 62. مهندسی ویژگی (Feature Engineering)
• 63. مدیریت داده‌های نامتوازن
• 64. تکنیک‌های تنظیم‌گرمی (Regularization)
• 65. کاهش بیش‌برازش (Overfitting)
• 66. افزایش داده (Data Augmentation)
• 67. ارزیابی مدل‌های یادگیری عمیق
• 68. معیارهای ارزیابی: دقت، صحت، بازیابی، F1-Score
• 69. اعتبارسنجی متقابل (Cross-Validation)
• 70. دسته‌بندی مدل‌ها: طبقه‌بندها و رگرسورها
• 71. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
• 72. مبانی سیستم‌های توصیه‌گر
• 73. فیلترینگ مشارکتی (Collaborative Filtering)
• 74. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 75. ترکیب رویکردهای فیلترینگ
• 76. یادگیری عمیق در سیستم‌های توصیه‌گر
• 77. ملاحظات امنیتی در یادگیری عمیق
• 78. حملات خصمانه (Adversarial Attacks)
• 79. روش‌های دفاع در برابر حملات خصمانه
• 80. حریم خصوصی در یادگیری عمیق
• 81. یادگیری فدرال (Federated Learning)
• 82. مقدمه‌ای بر پردازش سیگنال با یادگیری عمیق
• 83. کاربرد یادگیری عمیق در تشخیص گفتار
• 84. کاربرد یادگیری عمیق در تشخیص صدا
• 85. یادگیری عمیق برای داده‌های سری زمانی
• 86. پیش‌بینی سری‌های زمانی با شبکه‌های عصبی
• 87. کاربرد یادگیری عمیق در تحلیل احساسات
• 88. مبانی یادگیری نامتناهی (Few-Shot Learning)
• 89. یادگیری انتقالی (Transfer Learning)
• 90. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 91. مقدمه‌ای بر یادگیری خودنظارتی (Self-Supervised Learning)
• 92. یادگیری خودکار (Autoencoders)
• 93. کاربرد Autoencoders در کاهش ابعاد
• 94. مقدمه‌ای بر شبکه‌های گراف عصبی (GNN)
• 95. کاربرد GNN در تحلیل شبکه‌های اجتماعی
• 96. کاربرد GNN در کشف دارو
• 97. یادگیری عمیق در سیستم‌های توزیع شده
• 98. بهینه‌سازی مدل‌های یادگیری عمیق برای سخت‌افزار
• 99. مقدمه‌ای بر یادگیری تقویتی عمیق برای رباتیک پیشرفته
• 100. ملاحظات پیاده‌سازی مدل‌های یادگیری عمیق در عمل