کتاب صوتی NUTS: از تئوری تا پیاده‌سازی عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره NUTS: از تئوری تا پیاده‌سازی عملی

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: No-U-Turn Sampler (NUTS)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 2. مبانی ریاضیات یادگیری ماشین: جبر خطی و حساب دیفرانسیل
• 3. مبانی ریاضیات یادگیری ماشین: احتمال و آمار
• 4. انواع داده‌ها و پیش‌پردازش آن‌ها در یادگیری ماشین
• 5. معرفی کتابخانه‌های کلیدی پایتون برای یادگیری ماشین: NumPy و Pandas
• 6. معرفی کتابخانه‌های کلیدی پایتون برای یادگیری ماشین: Matplotlib و Seaborn
• 7. مفاهیم اساسی یادگیری بانظارت (Supervised Learning)
• 8. رگرسیون خطی: مدل‌سازی و ارزیابی
• 9. رگرسیون لجستیک: طبقه‌بندی دودویی
• 10. روش‌های ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازیابی، امتیاز F1
• 11. ماتریس درهم‌ریختگی (Confusion Matrix)
• 12. معرفی مفاهیم یادگیری بی‌نظارت (Unsupervised Learning)
• 13. خوشه‌بندی (Clustering): الگوریتم K-Means
• 14. خوشه‌بندی (Clustering): روش‌های سلسله‌مراتبی
• 15. کاهش ابعاد (Dimensionality Reduction): تحلیل مولفه‌های اصلی (PCA)
• 16. کاهش ابعاد (Dimensionality Reduction): الگوریتم t-SNE
• 17. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANN)
• 18. قانون پس‌انتشار خطا (Backpropagation Algorithm)
• 19. توابع فعال‌سازی (Activation Functions): Sigmoid, Tanh, ReLU
• 20. بهینه‌سازی شبکه‌های عصبی: گرادیان کاهشی (Gradient Descent)
• 21. انواع بهینه‌سازها: Adam, RMSprop, SGD
• 22. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 23. تنظیم‌گری (Regularization) برای جلوگیری از بیش‌برازش (Overfitting)
• 24. روش‌های تنظیم‌گری: L1, L2, Dropout
• 25. معماری شبکه‌های عصبی کانولوشنی (CNN)
• 26. لایه‌های کانولوشن و Pooling در CNN
• 27. کاربردهای CNN: تشخیص تصویر و تحلیل اشیاء
• 28. معماری شبکه‌های عصبی بازگشتی (RNN)
• 29. مشکلات RNN: انفجار و محوشدگی گرادیان
• 30. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 31. شبکه‌های واحد بازگشتی دروازه‌دار (GRU)
• 32. کاربردهای RNN, LSTM, GRU: پردازش زبان طبیعی، سری‌های زمانی
• 33. مقدمه‌ای بر مدل‌های زبانی (Language Models)
• 34. شبکه‌های عصبی ترنسفورمر (Transformer Networks)
• 35. مکانیزم توجه (Attention Mechanism) در ترنسفورمرها
• 36. معماری مدل‌های ترنسفورمر: BERT, GPT
• 37. کاربردهای ترنسفورمرها: ترجمه ماشینی، خلاصه‌سازی متن
• 38. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 39. مفاهیم کلیدی در یادگیری تقویتی: عامل، محیط، پاداش
• 40. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 41. الگوریتم‌های یادگیری تقویتی: Deep Q-Networks (DQN)
• 42. الگوریتم‌های یادگیری تقویتی: Policy Gradients
• 43. پیاده‌سازی عملی شبکه‌های عصبی با TensorFlow
• 44. پیاده‌سازی عملی شبکه‌های عصبی با Keras
• 45. پیاده‌سازی عملی شبکه‌های عصبی با PyTorch
• 46. مراحل ساخت یک مدل یادگیری عمیق: جمع‌آوری داده، پیش‌پردازش
• 47. مراحل ساخت یک مدل یادگیری عمیق: طراحی معماری، آموزش
• 48. مراحل ساخت یک مدل یادگیری عمیق: ارزیابی، تنظیم پارامترها
• 49. کاربرد یادگیری عمیق در پردازش تصویر: تشخیص چهره
• 50. کاربرد یادگیری عمیق در پردازش تصویر: قطعه‌بندی معنایی (Semantic Segmentation)
• 51. کاربرد یادگیری عمیق در پردازش تصویر: تولید تصویر (Image Generation)
• 52. کاربرد یادگیری عمیق در پردازش زبان طبیعی: تحلیل احساسات
• 53. کاربرد یادگیری عمیق در پردازش زبان طبیعی: پرسش و پاسخ
• 54. کاربرد یادگیری عمیق در پردازش زبان طبیعی: تولید متن خلاقانه
• 55. کاربرد یادگیری عمیق در سری‌های زمانی: پیش‌بینی قیمت سهام
• 56. کاربرد یادگیری عمیق در سری‌های زمانی: تشخیص ناهنجاری (Anomaly Detection)
• 57. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر (Recommender Systems)
• 58. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 59. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 60. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 61. معرفی مدل‌های معروف در بینایی کامپیوتر: VGG, ResNet, Inception
• 62. معرفی مدل‌های معروف در پردازش زبان طبیعی: Word2Vec, GloVe
• 63. کاربرد یادگیری عمیق در رباتیک و کنترل
• 64. کاربرد یادگیری عمیق در پزشکی: تشخیص بیماری از تصاویر پزشکی
• 65. کاربرد یادگیری عمیق در امور مالی: پیش‌بینی ریسک اعتباری
• 66. کاربرد یادگیری عمیق در هوش مصنوعی مولد (Generative AI)
• 67. شبکه‌های مولد تخاصمی (GANs)
• 68. معماری GANs: Generator و Discriminator
• 69. کاربردهای GANs: تولید تصاویر واقع‌گرایانه، افزایش داده
• 70. مدل‌های انتشار (Diffusion Models)
• 71. کاربرد مدل‌های انتشار در تولید تصویر
• 72. ملاحظات اخلاقی در هوش مصنوعی و یادگیری عمیق
• 73. سوگیری در داده‌ها و مدل‌های هوش مصنوعی
• 74. تفسیرپذیری مدل‌های یادگیری عمیق (Explainable AI - XAI)
• 75. امنیت در مدل‌های یادگیری عمیق: حملات متخاصم (Adversarial Attacks)
• 76. روش‌های دفاع در برابر حملات متخاصم
• 77. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 78. مزایا و چالش‌های یادگیری فدرال
• 79. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 80. مقدمه‌ای بر هوش مصنوعی کوانتومی (Quantum AI)
• 81. مبانی محاسبات کوانتومی برای هوش مصنوعی
• 82. کاربردهای احتمالی هوش مصنوعی کوانتومی
• 83. مقدمه‌ای بر شبکه‌های عصبی گراف (Graph Neural Networks - GNNs)
• 84. کاربرد GNNs در تحلیل شبکه‌های اجتماعی
• 85. کاربرد GNNs در کشف دارو و شیمی محاسباتی
• 86. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 87. کاربرد یادگیری فعال در کاهش نیاز به داده‌های برچسب‌دار
• 88. معرفی ابزارها و پلتفرم‌های ابری برای یادگیری عمیق
• 89. مقدمه‌ای بر پیاده‌سازی مدل‌های یادگیری عمیق در لبه (Edge AI)
• 90. چالش‌های پیاده‌سازی مدل‌های یادگیری عمیق بر روی دستگاه‌های محدود
• 91. بهینه‌سازی مدل‌ها برای اجرا بر روی دستگاه‌های لبه
• 92. مروری بر آخرین روندها و تحقیقات در یادگیری عمیق
• 93. مسیر شغلی در حوزه یادگیری عمیق و هوش مصنوعی
• 94. اهمیت یادگیری مستمر و به‌روزرسانی دانش
• 95. منابع پیشرفته برای مطالعه بیشتر در یادگیری عمیق
• 96. پروژه‌های عملی و کاربردی برای تقویت مهارت‌ها
• 97. مقدمه‌ای بر اخلاق در علم داده و هوش مصنوعی
• 98. نقش هوش مصنوعی در توسعه پایدار
• 99. آینده هوش مصنوعی و تاثیر آن بر جامعه
• 100. جمع‌بندی و راهنمایی برای ادامه مسیر یادگیری