اپلیکیشن اندرویدی فلش‌کارت آموزشی مسیر جامع یادگیری عمیق: از مبانی تا طراحی هوش مصنوعی نسل آینده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مسیر جامع یادگیری عمیق: از مبانی تا طراحی هوش مصنوعی نسل آینده

موضوع کلی: هوش مصنوعی (Artificial Intelligence)

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم اساسی یادگیری عمیق
• 3. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 4. توابع فعال‌سازی: ReLU، Sigmoid، Tanh
• 5. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 6. پس انتشار خطا (Backpropagation)
• 7. تنظیم نرخ یادگیری (Learning Rate)
• 8. مجموعه‌های داده: آماده‌سازی، اعتبارسنجی و آزمایش
• 9. بیش‌برازش و کم‌برازش (Overfitting & Underfitting)
• 10. تکنیک‌های منظم‌سازی (Regularization): L1 & L2
• 11. Dropout و Batch Normalization
• 12. شبکه‌های عصبی پیچشی (CNNs): معماری و عملکرد
• 13. لایه‌های Convolutional و Pooling
• 14. تشخیص ویژگی‌ها در تصاویر
• 15. انواع معماری‌های CNN: LeNet، AlexNet، VGGNet
• 16. ResNet و معماری‌های عمیق‌تر CNN
• 17. InceptionNet و معماری‌های موثر CNN
• 18. انتقال یادگیری (Transfer Learning) در CNNها
• 19. بهینه‌سازی معماری CNN
• 20. کاربردهای CNN در بینایی ماشین
• 21. شبکه‌های عصبی بازگشتی (RNNs): مقدمه
• 22. معماری RNN و چالش‌های گرادیان محو شونده
• 23. شبکه‌های حافظه بلندمدت (LSTM)
• 24. واحد دروازه‌ای بازگشتی (GRU)
• 25. معماری‌های RNN یک‌طرفه و دوطرفه
• 26. توالی به توالی (Sequence-to-Sequence) با RNN
• 27. توجه (Attention Mechanism) در RNNها
• 28. کاربردهای RNN در پردازش زبان طبیعی (NLP)
• 29. مدل‌های زبانی مبتنی بر RNN
• 30. Word Embeddings: Word2Vec، GloVe، FastText
• 31. مدل‌های Transformer: معماری و عملکرد
• 32. Self-Attention و Multi-Head Attention
• 33. Encoder و Decoder در Transformer
• 34. انتقال یادگیری در مدل‌های Transformer
• 35. BERT: Bidirectional Encoder Representations from Transformers
• 36. GPT: Generative Pre-trained Transformer
• 37. کاربردهای Transformer در NLP
• 38. یادگیری تقویتی (Reinforcement Learning): مقدمه
• 39. محیط‌های Markov Decision Processes (MDPs)
• 40. الگوریتم‌های مبتنی بر مقدار (Value-Based): Q-Learning
• 41. الگوریتم‌های مبتنی بر سیاست (Policy-Based): Policy Gradient
• 42. شبکه‌های عصبی عمیق در یادگیری تقویتی عمیق (Deep RL)
• 43. Deep Q-Network (DQN) و انواع آن
• 44. Actor-Critic Methods: A2C، A3C
• 45. Proximal Policy Optimization (PPO)
• 46. Trust Region Policy Optimization (TRPO)
• 47. یادگیری تقویتی سلسله مراتبی (Hierarchical RL)
• 48. کاربردهای یادگیری تقویتی در رباتیک و بازی‌ها
• 49. شبکه‌های مولد تخاصمی (GANs): مقدمه
• 50. مولد (Generator) و تمایزدهنده (Discriminator)
• 51. آموزش GAN و چالش‌های آن
• 52. Conditional GANs (cGANs)
• 53. Deep Convolutional GANs (DCGANs)
• 54. CycleGAN و Image-to-Image Translation
• 55. StyleGAN و تولید تصاویر واقع‌گرایانه
• 56. انواع مختلف GAN و کاربردهای آنها
• 57. یادگیری خود نظارتی (Self-Supervised Learning)
• 58. متدهای مبتنی بر کنتراستیو (Contrastive Learning)
• 59. Masked Autoencoders (MAE)
• 60. یادگیری نیمه نظارتی (Semi-Supervised Learning)
• 61. یادگیری فعال (Active Learning)
• 62. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 63. یادگیری متقابل (Meta-Learning)
• 64. یادگیری دامنه تطبیقی (Domain Adaptation)
• 65. شبکه‌های عصبی گراف (Graph Neural Networks)
• 66. معماری‌های GNN و کاربردهای آنها
• 67. تفسیرپذیری (Interpretability) در یادگیری عمیق
• 68. تکنیک‌های Explanation: LIME، SHAP
• 69. حملات تخاصمی (Adversarial Attacks)
• 70. دفاع در برابر حملات تخاصمی
• 71. حریم خصوصی (Privacy) در یادگیری عمیق
• 72. محاسبات تفاضلی حریم خصوصی (Differential Privacy)
• 73. یادگیری فدرال (Federated Learning)
• 74. بهینه‌سازی توزیع‌شده (Distributed Training)
• 75. فشرده‌سازی مدل (Model Compression)
• 76. کمی‌سازی (Quantization)
• 77. هرسون سازی (Pruning)
• 78. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
• 79. سخت‌افزار برای یادگیری عمیق (GPUs، TPUs)
• 80. معماری‌های جدید برای یادگیری عمیق (Attention Mechanisms)
• 81. یادگیری عمیق در لبه (Edge Computing)
• 82. یادگیری عمیق کوانتومی (Quantum Deep Learning)
• 83. اخلاق (Ethics) در هوش مصنوعی و یادگیری عمیق
• 84. تاثیر اجتماعی (Social Impact) یادگیری عمیق
• 85. آینده یادگیری عمیق
• 86. مبانی نظری یادگیری عمیق: تعمیم پذیری
• 87. مبانی نظری یادگیری عمیق: ظرفیت
• 88. تحلیل پایداری (Stability Analysis)
• 89. بهینه‌سازی غیر محدب (Non-convex Optimization)
• 90. تطبیق پارامترها (Hyperparameter Tuning)
• 91. جستجوی شبکه ای (Grid Search) و جستجوی تصادفی (Random Search)
• 92. بهینه‌سازی بیزی (Bayesian Optimization)
• 93. بهینه‌سازی مبتنی بر گرادیان (Gradient-Based Optimization)
• 94. استفاده از کتابخانه‌های یادگیری عمیق: TensorFlow، PyTorch
• 95. مدیریت پروژه‌های یادگیری عمیق
• 96. پیاده‌سازی پایپ‌لاین‌های یادگیری عمیق
• 97. ارزیابی عملکرد مدل‌های یادگیری عمیق
• 98. استقرار مدل‌های یادگیری عمیق
• 99. توسعه برنامه‌های کاربردی یادگیری عمیق
• 100. چالش‌های پیش روی یادگیری عمیق