اپلیکیشن اندرویدی فلشکارت آموزشی ساخت و آموزش شبکههای عصبی مصنوعی (ANN)
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره ساخت و آموزش شبکههای عصبی مصنوعی (ANN)
موضوع کلی: برنامه نویسی
موضوع میانی: یادگیری عمیق (Deep Learning)
📋 سرفصلهای دوره
- 1. موضوع کلی: برنامه نویسی
- 2. موضوع میانی: یادگیری عمیق (Deep Learning)
- 3. عنوان دوره: ساخت و آموزش شبکههای عصبی مصنوعی (ANN)
- 4. مقدمهای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
- 5. یادگیری عمیق چیست؟
- 6. چرا اکنون زمان یادگیری عمیق است؟ (سختافزار، داده، الگوریتمها)
- 7. مبانی ریاضی: جبر خطی (بردارها، ماتریسها)
- 8. مبانی ریاضی: حساب دیفرانسیل و انتگرال (مشتقات، گرادیانها)
- 9. مبانی ریاضی: احتمال و آمار (توزیعها، قضیه بیز)
- 10. مقدمهای بر پایتون برای یادگیری ماشین
- 11. کتابخانههای ضروری پایتون: NumPy
- 12. کتابخانههای ضروری پایتون: Pandas
- 13. کتابخانههای ضروری پایتون: Matplotlib و Seaborn
- 14. آمادهسازی داده: بارگذاری و پاکسازی دادهها
- 15. آمادهسازی داده: مقیاسگذاری ویژگیها (استانداردسازی، نرمالسازی)
- 16. آمادهسازی داده: کدگذاری One-Hot و کدگذاری برچسبی
- 17. تقسیم دادهها: مجموعه آموزش، اعتبارسنجی و آزمون
- 18. مقدمهای بر یادگیری ماشین: نظارتشده در برابر نظارتنشده
- 19. رگرسیون در مقابل طبقهبندی
- 20. معیارهای ارزیابی مدل: رگرسیون (MSE, MAE, R-squared)
- 21. معیارهای ارزیابی مدل: طبقهبندی (دقت، صحت، بازیابی، F1-Score)
- 22. بیشبرازش (Overfitting) و کمبرازش (Underfitting)
- 23. توازن بایاس-واریانس (Bias-Variance Tradeoff)
- 24. مقدمهای بر رگرسیون لجستیک (به عنوان یک واحد عصبی ساده)
- 25. نورون بیولوژیکی در مقابل نورون مصنوعی (پرceptron)
- 26. توابع فعالسازی: سیگموید (Sigmoid)
- 27. توابع فعالسازی: تانژانت هیپربولیک (Tanh)
- 28. توابع فعالسازی: ReLU و انواع آن (Leaky ReLU, ELU, SELU)
- 29. پرسپترون تک لایه: معماری
- 30. پرسپترون تک لایه: محدودیتها
- 31. معماری پرسپترون چند لایه (MLP)
- 32. لایه ورودی، لایههای پنهان، لایه خروجی
- 33. وزنها و بایاسها
- 34. انتشار رو به جلو (Forward Propagation): جریان محاسبات
- 35. توابع زیان (Loss Functions): خطای میانگین مربعات (برای رگرسیون)
- 36. توابع زیان: آنتروپی متقاطع باینری (برای طبقهبندی باینری)
- 37. توابع زیان: آنتروپی متقاطع دستهای (برای طبقهبندی چندکلاسه)
- 38. مفهوم گرادیان کاهشی (Gradient Descent)
- 39. بصریسازی گرادیان کاهشی
- 40. نرخ یادگیری (Learning Rate): اهمیت و تأثیر آن
- 41. گرادیان کاهشی تصادفی (Stochastic Gradient Descent - SGD)
- 42. گرادیان کاهشی مینی-بچ (Mini-Batch Gradient Descent)
- 43. الگوریتم پسانتشار (Backpropagation): شهود
- 44. الگوریتم پسانتشار: قانون زنجیرهای (Chain Rule)
- 45. الگوریتم پسانتشار: مراحل دقیق (برای یک شبکه ساده)
- 46. پیادهسازی عملی پسانتشار (مفهومی)
- 47. گرادیانهای محوشونده و منفجرشونده (Vanishing and Exploding Gradients)
- 48. استراتژیهای مقداردهی اولیه وزنها: تصادفی، زاویر، هی
- 49. تکنیکهای تنظیمگرایی (Regularization): تنظیمگرایی L1 و L2 (کاهش وزن)
- 50. تکنیکهای تنظیمگرایی: Dropout
- 51. نرمالسازی بچ (Batch Normalization): مفهوم و مزایا
- 52. بهینهسازها (Optimizers): Momentum
- 53. بهینهسازها: Adam
- 54. بهینهسازها: RMSprop, AdaGrad
- 55. زمانبندیکنندههای نرخ یادگیری (Learning Rate Schedulers): کاهش گام، کاهش نمایی، کسینوس آنیلینگ
- 56. توقف زودهنگام (Early Stopping)
- 57. تنظیم ابرپارامترها (Hyperparameter Tuning): جستجوی شبکهای (Grid Search)
- 58. تنظیم ابرپارامترها: جستجوی تصادفی (Random Search)
- 59. تنظیم ابرپارامترها: بهینهسازی بیزی (مقدمه)
- 60. مقدمهای بر TensorFlow و Keras
- 61. راهاندازی محیط یادگیری عمیق (GPU در مقابل CPU)
- 62. ساخت یک مدل ساده در Keras: Sequential API
- 63. کامپایل یک مدل Keras: بهینهساز، تابع زیان، معیارها
- 64. آموزش یک مدل Keras: متد `model.fit()`
- 65. ارزیابی یک مدل Keras: متد `model.evaluate()`
- 66. انجام پیشبینیها: متد `model.predict()`
- 67. ذخیره و بارگذاری مدلها
- 68. ساخت یک مدل Keras: Functional API (برای ساختارهای پیچیدهتر)
- 69. لایههای سفارشی در Keras (مقدمه)
- 70. توابع زیان سفارشی در Keras (مقدمه)
- 71. معیارهای سفارشی در Keras (مقدمه)
- 72. Callbacks در Keras (TensorBoard, Model Checkpointing)
- 73. مقدمهای بر شبکههای عصبی پیچشی (Convolutional Neural Networks - CNNs)
- 74. لایه پیچشی (Convolutional Layer): فیلترها، گام، پدینگ
- 75. لایههای پولینگ (Pooling Layers): Max Pooling, Average Pooling
- 76. معماریهای CNN: LeNet-5
- 77. معماریهای CNN: AlexNet (مرور کوتاه)
- 78. معماریهای CNN: VGGNet (مرور کوتاه)
- 79. افزایش داده (Data Augmentation) برای تصاویر
- 80. یادگیری انتقالی (Transfer Learning) برای طبقهبندی تصاویر
- 81. تنظیم دقیق (Fine-tuning) مدلهای از پیشآموزشدیده
- 82. مقدمهای بر شبکههای عصبی بازگشتی (Recurrent Neural Networks - RNNs)
- 83. گرادیانهای محوشونده در RNNها
- 84. شبکههای حافظه بلند-کوتاهمدت (Long Short-Term Memory - LSTM)
- 85. واحدهای بازگشتی دروازهدار (Gated Recurrent Units - GRUs)
- 86. RNNهای دوجهته (Bidirectional RNNs)
- 87. مدلهای توالی به توالی (Sequence-to-Sequence Models) (مقدمه)
- 88. لایههای Embedding برای دادههای متنی
- 89. مقدمهای بر Autoencoders
- 90. Autoencoders واریانسدار (VAEs) - اشاره کوتاه
- 91. شبکههای مولد تخاصمی (Generative Adversarial Networks - GANs) - اشاره کوتاه
- 92. توضیحپذیری مدلهای یادگیری عمیق: SHAP, LIME (مقدمه)
- 93. حملات خصمانه و دفاعها (مقدمه)
- 94. اخلاق در هوش مصنوعی و یادگیری عمیق
- 95. استقرار مدلهای یادگیری عمیق (به عنوان مثال، TensorFlow Serving, ONNX)
- 96. هوش مصنوعی لبه (Edge AI) و TinyML (مقدمه)
- 97. یادگیری فدرال (Federated Learning) (مقدمه)
- 98. یادگیری تقویتی (Reinforcement Learning) (اشاره کوتاه به ارتباط با ANN)
- 99. GPU و TPU برای یادگیری عمیق
- 100. آموزش توزیعشده (Distributed Training)
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.