اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری عمیق از مبانی تا پیاده‌سازی با رویکرد عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق از مبانی تا پیاده‌سازی با رویکرد عملی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• 2. چرا یادگیری عمیق در حال حاضر؟
• 3. مروری بر مفاهیم پایه یادگیری ماشین
• 4. انواع مسائل و داده‌ها در یادگیری ماشین
• 5. مراحل کلی پروژه یادگیری ماشین
• 6. نصب و راه‌اندازی محیط توسعه (پایتون، ژوپیتر، کتابخانه‌ها)
• 7. معرفی کتابخانه‌های پایه: NumPy برای محاسبات عددی
• 8. معرفی کتابخانه‌های پایه: Pandas برای دستکاری داده‌ها
• 9. معرفی کتابخانه‌های پایه: Matplotlib و Seaborn برای بصری‌سازی
• 10. آشنایی با Tensors و عملیات پایه در PyTorch/TensorFlow (مقدمه عملی)
• 11. مرور جبر خطی: بردارها و ماتریس‌ها
• 12. عملیات ماتریسی و ضرب ماتریس‌ها
• 13. مشتق و گرادیان: قلب بهینه‌سازی
• 14. قاعده زنجیری در مشتق‌گیری (Chain Rule)
• 15. مقدمه‌ای بر احتمالات و آمار در یادگیری عمیق
• 16. توابع توزیع احتمال و مفهوم درست‌نمایی
• 17. رگرسیون خطی: اولین مدل یادگیری
• 18. رگرسیون لجستیک: طبقه‌بندی دوتایی
• 19. تابع هزینه (Loss Function) و هدف بهینه‌سازی
• 20. گرادیان کاهشی (Gradient Descent): مبانی و انواع
• 21. نورون مصنوعی و پرسپترون
• 22. محدودیت‌های پرسپترون و نیاز به شبکه‌های عمیق‌تر
• 23. شبکه عصبی چند لایه (MLP) یا پرسپترون چند لایه
• 24. لایه‌های ورودی، پنهان و خروجی
• 25. توابع فعال‌سازی (Activation Functions): ReLU, Sigmoid, Tanh, Softmax
• 26. چرا توابع فعال‌سازی غیرخطی ضروری هستند؟
• 27. انتشار رو به جلو (Forward Propagation) در شبکه‌های عصبی
• 28. انتشار رو به عقب (Backpropagation) برای محاسبه گرادیان‌ها
• 29. گام‌های پیاده‌سازی Backpropagation
• 30. بهینه‌سازی شبکه‌های عصبی با گرادیان کاهشی
• 31. تنظیم نرخ یادگیری (Learning Rate)
• 32. معرفی Keras/TensorFlow 2.0 API برای ساخت مدل
• 33. پیاده‌سازی یک MLP ساده برای طبقه‌بندی با Keras
• 34. آموزش، ارزیابی و پیش‌بینی با Keras
• 35. بررسی دیتاست‌های استاندارد: MNIST و Fashion MNIST
• 36. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 37. تقسیم داده‌ها: آموزش، اعتبارسنجی و آزمون
• 38. اعتبارسنجی متقابل (Cross-Validation)
• 39. تنظیم‌کننده‌های L1 و L2 (Weight Decay)
• 40. رهاسازی (Dropout) به عنوان روش تنظیم‌کننده
• 41. دسته‌بندی دسته‌ای (Batch Normalization)
• 42. بهینه‌سازهای پیشرفته: Momentum
• 43. بهینه‌سازهای پیشرفته: AdaGrad و RMSprop
• 44. بهینه‌ساز پیشرفته و پرکاربرد: Adam
• 45. استراتژی‌های مقداردهی اولیه وزن‌ها
• 46. زمان‌بندی نرخ یادگیری (Learning Rate Schedulers)
• 47. نظارت بر روند آموزش: Loss و Metric Plots
• 48. هایپرپارامترها و روش‌های تنظیم آن‌ها
• 49. جستجوی شبکه‌ای (Grid Search) و تصادفی (Random Search)
• 50. استفاده از Callbacks در Keras برای بهبود آموزش
• 51. معرفی شبکه‌های عصبی پیچشی: چرا و چگونه؟
• 52. لایه پیچشی (Convolutional Layer) و فیلترها (Kernels)
• 53. عملیات پیچش (Convolution Operation) گام به گام
• 54. لایه تجمیع (Pooling Layer): Max Pooling و Average Pooling
• 55. لایه‌های Flatten و Fully Connected در CNN
• 56. ساختار یک CNN ساده برای طبقه‌بندی تصاویر
• 57. معرفی معماری LeNet-5
• 58. معرفی معماری AlexNet و چالش ImageNet
• 59. معماری VGG و عمق شبکه
• 60. معماری ResNet: اتصالات پرش (Skip Connections)
• 61. معماری Inception/GoogLeNet
• 62. انتقال یادگیری (Transfer Learning) با CNNها
• 63. استخراج ویژگی (Feature Extraction) با مدل‌های از پیش آموزش‌دیده
• 64. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 65. دیتاسازی (Data Augmentation) برای بهبود مدل‌های CNN
• 66. تشخیص شیء (Object Detection): مروری بر مفاهیم
• 67. روش‌های یک مرحله‌ای در تشخیص شیء: YOLO (مقدمه)
• 68. روش‌های دو مرحله‌ای در تشخیص شیء: R-CNN (مقدمه)
• 69. بخش‌بندی معنایی (Semantic Segmentation): مفاهیم پایه
• 70. شبکه‌های UNet برای بخش‌بندی تصاویر
• 71. بخش‌بندی نمونه (Instance Segmentation): Mask R-CNN (مقدمه)
• 72. Generative Adversarial Networks (GANs): مفاهیم اساسی
• 73. ساختار و نحوه کار Generator و Discriminator در GAN
• 74. کاربردهای GANs: تولید تصاویر و تبدیل سبک
• 75. محدودیت‌ها و چالش‌های آموزش GANs
• 76. شبکه‌های عصبی بازگشتی (RNNs): پردازش داده‌های توالی
• 77. مشکل گرادیان ناپدید شونده/منفجر شونده در RNN
• 78. واحد حافظه بلند-کوتاه مدت (LSTM)
• 79. واحدهای دروازه‌ای بازگشتی (GRU)
• 80. پیاده‌سازی RNN، LSTM و GRU با Keras
• 81. کاربرد RNN در تحلیل احساسات (Sentiment Analysis)
• 82. مدل‌های Sequence-to-Sequence (Seq2Seq)
• 83. مکانیسم توجه (Attention Mechanism) در Seq2Seq
• 84. ترجمه ماشینی عصبی (Neural Machine Translation)
• 85. تولید متن و موسیقی با RNN/LSTM
• 86. پردازش زبان طبیعی (NLP) با یادگیری عمیق: مقدمه
• 87. پیش‌پردازش متن: توکن‌سازی، نرمال‌سازی
• 88. نمایش کلمات: One-Hot Encoding و Word Embeddings
• 89. Word2Vec, GloVe و FastText: بردارهای کلمه
• 90. کاربرد Word Embeddings در مدل‌های NLP
• 91. معماری ترنسفورمر (Transformer): Attention Is All You Need
• 92. Self-Attention و Multi-Head Attention
• 93. رمزگذار (Encoder) و رمزگشا (Decoder) در ترنسفورمر
• 94. معرفی مدل‌های BERT: فهم بافتار (Contextual Embeddings)
• 95. معرفی مدل‌های GPT: تولید زبان (Generative Pre-trained Transformers)
• 96. هوش مصنوعی توضیح‌پذیر (XAI): چرا مدل‌ها چنین تصمیمی گرفتند؟
• 97. آموزش خودنظارتی (Self-supervised Learning)
• 98. استقرار مدل‌های یادگیری عمیق در محیط عملیاتی
• 99. بهینه‌سازی مدل برای دیپلوی: Quantization, Pruning
• 100. اخلاق، سوگیری و مسئولیت‌پذیری در هوش مصنوعی