اپلیکیشن اندرویدی فلش‌کارت آموزشی هوش مصنوعی و آینده‌ی شبکه‌های عصبی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی و آینده‌ی شبکه‌های عصبی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تعامل انسان و ماشین با LLMs (Human-AI Interaction)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و شبکه‌های عصبی
• 2. تاریخچه و سیر تحول هوش مصنوعی
• 3. مفاهیم پایه در شبکه‌های عصبی
• 4. انواع شبکه‌های عصبی مصنوعی
• 5. نورون مصنوعی و مدل‌های آن
• 6. توابع فعال‌سازی در شبکه‌های عصبی
• 7. نحوه یادگیری در شبکه‌های عصبی
• 8. آموزش پس‌انتشار خطا (Backpropagation)
• 9. بهینه‌سازی پارامترها در شبکه‌های عصبی
• 10. معرفی چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 11. یادگیری نظارت‌شده و کاربردهای آن
• 12. یادگیری بدون نظارت و کاربردهای آن
• 13. یادگیری تقویتی و مبانی آن
• 14. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 15. شبکه‌های عصبی کانولوشنی (CNN)
• 16. معماری‌های رایج CNN (مانند LeNet, AlexNet)
• 17. کاربرد CNN در پردازش تصویر
• 18. شبکه‌های عصبی بازگشتی (RNN)
• 19. معماری‌های رایج RNN (مانند LSTM, GRU)
• 20. کاربرد RNN در پردازش زبان طبیعی
• 21. شبکه‌های عصبی ترنسفورمر (Transformer)
• 22. مکانیزم توجه (Attention Mechanism)
• 23. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 24. شبکه‌های عصبی مولد (GAN)
• 25. معماری و نحوه کار GAN
• 26. کاربرد GAN در تولید داده
• 27. شبکه‌های عصبی گراف (GNN)
• 28. کاربرد GNN در تحلیل داده‌های شبکه‌ای
• 29. یادگیری انتقالی (Transfer Learning)
• 30. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 31. مدل‌های زبانی بزرگ (LLM)
• 32. معماری‌های LLM
• 33. کاربرد LLM در وظایف مختلف
• 34. اخلاق در هوش مصنوعی و شبکه‌های عصبی
• 35. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 36. سوگیری در داده‌ها و مدل‌های هوش مصنوعی
• 37. روش‌های کاهش سوگیری در هوش مصنوعی
• 38. حریم خصوصی و امنیت داده‌ها در هوش مصنوعی
• 39. قوانین و مقررات هوش مصنوعی در ایران
• 40. آینده‌ی شبکه‌های عصبی و هوش مصنوعی
• 41. کاربردهای هوش مصنوعی در صنعت
• 42. کاربردهای هوش مصنوعی در پزشکی
• 43. کاربردهای هوش مصنوعی در کشاورزی
• 44. کاربرد هوش مصنوعی در آموزش
• 45. کاربرد هوش مصنوعی در اقتصاد و بانکداری اسلامی
• 46. مبانی اقتصاد مقاومتی و هوش مصنوعی
• 47. بهینه‌سازی فرآیندها در کسب و کار با هوش مصنوعی
• 48. تحلیل داده‌های کلان و هوش مصنوعی
• 49. پردازش تصویر پیشرفته با شبکه‌های عصبی
• 50. تشخیص اشیاء در تصاویر
• 51. تقطیع تصاویر (Image Segmentation)
• 52. تولید متن از تصویر (Image Captioning)
• 53. پردازش زبان طبیعی پیشرفته
• 54. تحلیل احساسات متون
• 55. ترجمه ماشینی عصبی
• 56. خلاصه‌سازی متون
• 57. تولید محتوا با هوش مصنوعی
• 58. سیستم‌های توصیه‌گر
• 59. تشخیص ناهنجاری (Anomaly Detection)
• 60. یادگیری چندوجهی (Multimodal Learning)
• 61. شبکه‌های عصبی برای داده‌های سری زمانی
• 62. مدل‌سازی پیش‌بینی‌کننده
• 63. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 64. کاربرد DRL در رباتیک
• 65. کاربرد DRL در بازی‌ها
• 66. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
• 67. مبانی محاسبات عصبی
• 68. کاربردهای محاسبات عصبی
• 69. هوش مصنوعی قابل تفسیر (Explainable AI - XAI)
• 70. روش‌های تفسیرپذیری مدل‌ها
• 71. کاربرد XAI در اطمینان از صحت مدل‌ها
• 72. هوش مصنوعی توزیع‌شده و همکار
• 73. یادگیری فدرال (Federated Learning)
• 74. کاربرد Federated Learning در حفظ حریم خصوصی
• 75. شبکه‌های عصبی برای داده‌های ساختاریافته
• 76. استخراج ویژگی از داده‌های جدولی
• 77. یادگیری عمیق در داده‌های مکانی-زمانی
• 78. مدل‌سازی پیش‌بینی رویدادها
• 79. هوش مصنوعی در امنیت سایبری
• 80. تشخیص نفوذ با هوش مصنوعی
• 81. تحلیل رفتار کاربران
• 82. هوش مصنوعی در مدیریت منابع
• 83. بهینه‌سازی مصرف انرژی
• 84. مدیریت زنجیره تامین
• 85. پردازش سیگنال با شبکه‌های عصبی
• 86. تشخیص گفتار
• 87. تحلیل سیگنال‌های پزشکی
• 88. هوش مصنوعی در خودروسازی
• 89. خودروهای خودران
• 90. سیستم‌های کمک راننده
• 91. هوش مصنوعی در پژوهش‌های علمی
• 92. کشف دارو با هوش مصنوعی
• 93. تحلیل داده‌های علمی
• 94. هوش مصنوعی در هنرهای دیجیتال
• 95. تولید موسیقی با هوش مصنوعی
• 96. تولید آثار هنری با هوش مصنوعی
• 97. اخلاق در تولید محتوای خلاقانه
• 98. مبانی مهندسی دانش در هوش مصنوعی
• 99. سیستم‌های خبره
• 100. پردازش معنایی زبان