کتاب صوتی مبانی و کاربردهای یادگیری عمیق در مهندسی و علوم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای یادگیری عمیق در مهندسی و علوم داده

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تعریف یادگیری ماشین و انواع آن
• 3. یادگیری نظارت‌شده، نظارت‌نشده و تقویتی
• 4. کاربردها و چشم‌انداز یادگیری ماشین
• 5. مبانی ریاضی یادگیری ماشین: جبر خطی
• 6. مبانی ریاضی یادگیری ماشین: حساب دیفرانسیل و انتگرال
• 7. مبانی ریاضی یادگیری ماشین: احتمال و آمار
• 8. مقدمه‌ای بر یادگیری عمیق
• 9. تفاوت یادگیری عمیق و یادگیری ماشین سنتی
• 10. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 11. نورون مصنوعی و تابع فعال‌سازی
• 12. ساختار شبکه‌های عصبی پیشخور
• 13. الگوریتم پس‌انتشار خطا (Backpropagation)
• 14. بهینه‌سازی در شبکه‌های عصبی: گرادیان کاهشی
• 15. انواع بهینه‌سازها: SGD، Adam، RMSprop
• 16. تنظیم نرخ یادگیری و روش‌های آن
• 17. تنظیم پارامترهای شبکه عصبی
• 18. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 19. معماری‌های شبکه‌های عصبی کانولوشنی (CNN)
• 20. لایه‌های کانولوشن و پولینگ در CNN
• 21. کاربردهای CNN در پردازش تصویر
• 22. معماری‌های شبکه‌های عصبی بازگشتی (RNN)
• 23. حافظه طولانی کوتاه‌مدت (LSTM) و واحد بازگشتی دروازه‌دار (GRU)
• 24. کاربردهای RNN در پردازش زبان طبیعی
• 25. شبکه‌های عصبی ترانسفورمر (Transformer)
• 26. مکانیزم توجه (Attention Mechanism)
• 27. کاربردهای ترانسفورمر در NLP
• 28. شبکه‌های مولد تخاصمی (GAN)
• 29. معماری و آموزش GANها
• 30. کاربرد GANها در تولید تصویر
• 31. مقدمه‌ای بر یادگیری تقویتی عمیق
• 32. عوامل و محیط در یادگیری تقویتی
• 33. تابع پاداش و سیاست در یادگیری تقویتی
• 34. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 35. الگوریتم‌های یادگیری تقویتی: Policy Gradients
• 36. یادگیری عمیق در پردازش زبان طبیعی (NLP)
• 37. مدل‌سازی زبان و پیش‌بینی کلمه
• 38. ترجمه ماشینی عصبی
• 39. خلاصه‌سازی متن با یادگیری عمیق
• 40. تحلیل احساسات با یادگیری عمیق
• 41. یادگیری عمیق در بینایی ماشین
• 42. تشخیص اشیاء و تقسیم‌بندی تصویر
• 43. تولید کپشن برای تصاویر
• 44. تشخیص چهره و بازشناسی
• 45. یادگیری عمیق در سیستم‌های توصیه‌گر
• 46. فیلترینگ مشارکتی با یادگیری عمیق
• 47. توصیه‌گرهای مبتنی بر محتوا با یادگیری عمیق
• 48. یادگیری عمیق در علوم داده
• 49. تحلیل سری‌های زمانی با یادگیری عمیق
• 50. پیش‌بینی در بازارهای مالی با یادگیری عمیق
• 51. کاربرد یادگیری عمیق در مهندسی پزشکی
• 52. تشخیص بیماری‌ها با تصاویر پزشکی
• 53. یادگیری عمیق در رباتیک
• 54. کنترل ربات با یادگیری تقویتی
• 55. یادگیری عمیق در پردازش گفتار
• 56. تشخیص گفتار و سنتز گفتار
• 57. ملاحظات اخلاقی در هوش مصنوعی
• 58. سوگیری در مدل‌های یادگیری عمیق
• 59. حریم خصوصی و امنیت داده‌ها در هوش مصنوعی
• 60. تفسیرپذیری مدل‌های یادگیری عمیق
• 61. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 62. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 63. کاربرد یادگیری انتقالی در پردازش تصویر
• 64. کاربرد یادگیری انتقالی در NLP
• 65. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 66. یادگیری نیمه‌نظارت‌شده (Semi-supervised Learning)
• 67. یادگیری خودنظارت‌شده (Self-supervised Learning)
• 68. شبکه‌های گراف عصبی (Graph Neural Networks)
• 69. کاربردهای GNN در شبکه‌های اجتماعی
• 70. یادگیری عمیق در سیستم‌های توزیع‌شده
• 71. یادگیری فدرال (Federated Learning)
• 72. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 73. معماری ترانسفورمر و LLMs
• 74. آموزش و تنظیم LLMs
• 75. کاربردهای LLMs در تولید متن
• 76. کاربردهای LLMs در پرسش و پاسخ
• 77. کاربردهای LLMs در برنامه‌نویسی
• 78. مقدمه‌ای بر یادگیری تقویتی عمیق پیشرفته
• 79. یادگیری عمیق در رباتیک پیشرفته
• 80. یادگیری عمیق در سیستم‌های خودمختار
• 81. ملاحظات امنیتی در یادگیری عمیق
• 82. حملات خصمانه (Adversarial Attacks)
• 83. روش‌های دفاع در برابر حملات خصمانه
• 84. یادگیری عمیق و هوش مصنوعی قابل اعتماد
• 85. پروتکل‌های ایمنی در سیستم‌های هوش مصنوعی
• 86. استانداردهای حاکمیتی برای هوش مصنوعی
• 87. آینده پژوهی در حوزه هوش مصنوعی
• 88. نقش هوش مصنوعی در تحول دیجیتال
• 89. هوش مصنوعی و علم داده در صنعت
• 90. هوش مصنوعی و مهندسی نرم‌افزار
• 91. هوش مصنوعی و نوآوری در کسب‌وکار
• 92. توسعه پایدار با هوش مصنوعی
• 93. هوش مصنوعی و چالش‌های اجتماعی
• 94. مباحث پیشرفته در شبکه‌های عصبی
• 95. یادگیری تقویتی عمیق برای بازی‌ها
• 96. یادگیری عمیق در سیستم‌های توصیه پیچیده
• 97. مفاهیم پیشرفته در پردازش زبان طبیعی
• 98. کاربردهای نوین یادگیری عمیق
• 99. پروژه‌های عملی در یادگیری عمیق
• 100. جمع‌بندی مباحث و چشم‌انداز آینده