کتاب یادگیری عمیق پیشرفته با TensorFlow و PyTorch

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری عمیق پیشرفته با TensorFlow و PyTorch

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه و مرور مفاهیم پایه یادگیری عمیق
• 2. معماری‌های شبکه‌های عصبی
• 3. توابع فعال‌سازی
• 4. تابع هزینه و بهینه‌سازی
• 5. روش‌های گرادیان نزولی
• 6. تنظیم نرخ یادگیری
• 7. تنظیم‌کننده‌ها (Regularizers)
• 8. پایان‌نامه‌ها (Optimizers)
• 9. فعال‌سازی پیشرفته
• 10. معماری‌های شبکه‌های کانولوشنال (CNN)
• 11. لایه کانولوشن
• 12. لایه پولینگ
• 13. معماری‌های معروف CNN (مانند LeNet، AlexNet، VGG، ResNet، Inception)
• 14. کاربرد CNN در بینایی ماشین
• 15. شناسایی اشیاء
• 16. تقسیم‌بندی تصویر (Image Segmentation)
• 17. تشخیص چهره
• 18. تولید تصویر
• 19. معماری‌های شبکه‌های بازگشتی (RNN)
• 20. لایه RNN ساده
• 21. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 22. شبکه‌های واحد بازگشتی دروازه‌دار (GRU)
• 23. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 24. مدل‌سازی زبان
• 25. ترجمه ماشینی
• 26. تحلیل احساسات
• 27. تولید متن
• 28. شبکه‌های مولد تخاصمی (GAN)
• 29. معماری Generator و Discriminator
• 30. آموزش GAN
• 31. انواع GAN (DCGAN، StyleGAN، CycleGAN)
• 32. کاربرد GAN در تولید تصویر
• 33. تولید تصاویر واقع‌گرایانه
• 34. افزایش داده (Data Augmentation)
• 35. تبدیل سبک تصویر (Style Transfer)
• 36. شبکه‌های ترنسفورمر (Transformer)
• 37. مکانیزم توجه (Attention Mechanism)
• 38. معماری Encoder-Decoder
• 39. مدل‌های زبانی مبتنی بر ترنسفورمر (مانند BERT، GPT)
• 40. کاربرد ترنسفورمر در NLP
• 41. ترجمه ماشینی پیشرفته
• 42. خلاصه‌سازی متن
• 43. پاسخ به سوال
• 44. TensorFlow: مقدمات و اصول
• 45. نصب TensorFlow
• 46. مفاهیم تنسور
• 47. عملیات بر روی تنسورها
• 48. گراف محاسباتی
• 49. تابع GradientTape
• 50. نحوه ساخت مدل با TensorFlow
• 51. لایه‌های پیش‌ساخته TensorFlow
• 52. آموزش مدل با TensorFlow
• 53. ارزیابی مدل با TensorFlow
• 54. ذخیره و بارگذاری مدل TensorFlow
• 55. TensorFlow برای CNN
• 56. پیاده‌سازی CNN با TensorFlow
• 57. کاربرد TensorFlow در پروژه‌های بینایی ماشین
• 58. TensorFlow برای RNN
• 59. پیاده‌سازی RNN با TensorFlow
• 60. کاربرد TensorFlow در پروژه‌های NLP
• 61. TensorFlow Extended (TFX)
• 62. TensorFlow Lite
• 63. TensorFlow.js
• 64. PyTorch: مقدمات و اصول
• 65. نصب PyTorch
• 66. مفاهیم تنسور (Tensors)
• 67. عملیات بر روی تنسورها
• 68. Autograd و محاسبه گرادیان
• 69. نحوه ساخت مدل با PyTorch
• 70. ماژول nn (Neural Network)
• 71. لایه‌های پیش‌ساخته PyTorch
• 72. آموزش مدل با PyTorch
• 73. ارزیابی مدل با PyTorch
• 74. ذخیره و بارگذاری مدل PyTorch
• 75. PyTorch برای CNN
• 76. پیاده‌سازی CNN با PyTorch
• 77. کاربرد PyTorch در پروژه‌های بینایی ماشین
• 78. PyTorch برای RNN
• 79. پیاده‌سازی RNN با PyTorch
• 80. کاربرد PyTorch در پروژه‌های NLP
• 81. TorchServe
• 82. PyTorch Mobile
• 83. PyTorch Lightning
• 84. موضوعات پیشرفته در یادگیری عمیق
• 85. یادگیری تقویتی (Reinforcement Learning)
• 86. مقدمات RL
• 87. الگوریتم‌های RL (مانند Q-Learning، Policy Gradients)
• 88. کاربرد RL در بازی‌ها و رباتیک
• 89. یادگیری با نظارت ناخودآگاه (Self-Supervised Learning)
• 90. مفاهیم و کاربردها
• 91. یادگیری انتقالی (Transfer Learning)
• 92. روش‌های Fine-tuning
• 93. کاربرد در مسائل مختلف
• 94. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 95. مفاهیم و مزایا
• 96. یادگیری فدرال (Federated Learning)
• 97. مفاهیم و چالش‌ها
• 98. یادگیری قابل توضیح (Explainable AI - XAI)
• 99. روش‌های تفسیر مدل‌های یادگیری عمیق
• 100. کاربرد XAI در مسائل حساس