اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت برنامه‌های هوشمند با کتابخانهٔ شبکه‌های عصبی Wolfram U

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت برنامه‌های هوشمند با کتابخانهٔ شبکه‌های عصبی Wolfram U

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعهٔ برنامه‌های کاربردی با شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر شبکه‌های عصبی
• 3. انواع شبکه‌های عصبی
• 4. شبکه‌های عصبی پرسپترون تک لایه
• 5. شبکه‌های عصبی پرسپترون چند لایه
• 6. تابع فعال‌سازی در شبکه‌های عصبی
• 7. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 8. بهینه‌سازی پارامترها در شبکه‌های عصبی
• 9. انتخاب معماری مناسب شبکه عصبی
• 10. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 11. بررسی و ارزیابی مدل‌های شبکه‌های عصبی
• 12. مدیریت بیش‌برازش (Overfitting)
• 13. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 14. شبکه‌های عصبی کانولوشنی (CNN)
• 15. کاربرد CNN در پردازش تصویر
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. کاربرد RNN در پردازش زبان طبیعی
• 18. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 19. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 20. شبکه‌های عصبی ترنسفورمر (Transformer)
• 21. معماری ترنسفورمر برای پردازش زبان
• 22. مدل‌های زبانی بزرگ (LLM)
• 23. مقدمه‌ای بر کتابخانه شبکه‌های عصبی Wolfram U
• 24. نصب و راه‌اندازی Wolfram U
• 25. ساختار کلی کتابخانه شبکه‌های عصبی
• 26. تعریف لایه‌های شبکه عصبی در Wolfram U
• 27. پیاده‌سازی شبکه‌های پرسپترون در Wolfram U
• 28. استفاده از توابع فعال‌سازی مختلف
• 29. آموزش مدل‌های شبکه‌های عصبی با Wolfram U
• 30. تنظیم پارامترهای آموزش
• 31. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 32. ساخت مدل‌های CNN در Wolfram U
• 33. کاربرد CNN برای طبقه‌بندی تصاویر
• 34. ساخت مدل‌های RNN در Wolfram U
• 35. کاربرد RNN برای تحلیل سری‌های زمانی
• 36. پیاده‌سازی LSTM و GRU در Wolfram U
• 37. کاربرد LSTM برای پیش‌بینی
• 38. استفاده از ترنسفورمر در Wolfram U
• 39. آموزش مدل‌های زبانی پایه
• 40. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 41. ساخت برنامه‌های کاربردی با شبکه‌های عصبی
• 42. مثال: ساخت سیستم پیشنهاد دهنده
• 43. مثال: ساخت سیستم تشخیص اشیاء
• 44. مثال: ساخت سیستم تولید متن
• 45. مثال: ساخت سیستم ترجمه ماشینی
• 46. مثال: ساخت سیستم خلاصه‌سازی متن
• 47. مثال: ساخت سیستم تشخیص احساسات
• 48. مثال: ساخت سیستم پاسخ به پرسش
• 49. مثال: ساخت چت‌بات ساده
• 50. معماری‌های پیشرفته شبکه‌های عصبی
• 51. شبکه‌های مولد تخاصمی (GAN)
• 52. کاربرد GAN در تولید تصویر
• 53. خودرمزگذارها (Autoencoders)
• 54. کاربرد خودرمزگذارها در کاهش ابعاد
• 55. یادگیری تقویتی (Reinforcement Learning)
• 56. مبانی یادگیری تقویتی
• 57. الگوریتم‌های یادگیری تقویتی
• 58. کاربرد یادگیری تقویتی در رباتیک
• 59. کاربرد یادگیری تقویتی در بازی‌ها
• 60. شبکه‌های عصبی گراف (GNN)
• 61. مبانی شبکه‌های عصبی گراف
• 62. کاربرد GNN در تحلیل شبکه‌ها
• 63. شبکه‌های عصبی اسپایکی (SNN)
• 64. مبانی شبکه‌های عصبی اسپایکی
• 65. کاربرد SNN در پردازش سیگنال
• 66. پردازش زبان طبیعی با شبکه‌های عصبی
• 67. استخراج ویژگی از متن
• 68. مدل‌سازی موضوعی متن
• 69. تحلیل احساسات متن
• 70. طبقه‌بندی متن
• 71. تشخیص موجودیت نام‌گذاری شده (NER)
• 72. پردازش تصویر با شبکه‌های عصبی
• 73. تشخیص و طبقه‌بندی تصویر
• 74. تشخیص اشیاء در تصویر
• 75. تقسیم‌بندی معنایی تصویر
• 76. تولید زیرنویس برای تصویر
• 77. پردازش صدا با شبکه‌های عصبی
• 78. تشخیص گفتار
• 79. تولید صدا
• 80. شناسایی بلندگو
• 81. مفاهیم پیشرفته در یادگیری ماشین
• 82. یادگیری نیمه‌نظارتی
• 83. یادگیری انتقالی (Transfer Learning)
• 84. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 85. یادگیری فعال (Active Learning)
• 86. تفسیرپذیری مدل‌های یادگیری ماشین
• 87. روش‌های توضیح مدل‌های عصبی
• 88. ارزیابی اخلاقی هوش مصنوعی
• 89. حریم خصوصی در هوش مصنوعی
• 90. امنیت در هوش مصنوعی
• 91. استانداردهای توسعه نرم‌افزار هوشمند
• 92. کاربرد هوش مصنوعی در صنعت
• 93. کاربرد هوش مصنوعی در سلامت
• 94. کاربرد هوش مصنوعی در آموزش
• 95. کاربرد هوش مصنوعی در کشاورزی
• 96. کاربرد هوش مصنوعی در حمل و نقل
• 97. کاربرد هوش مصنوعی در اقتصاد
• 98. کاربرد هوش مصنوعی در علوم
• 99. آینده هوش مصنوعی و یادگیری ماشین
• 100. نوآوری‌های آتی در شبکه‌های عصبی