اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری عمیق با R و Keras: آموزش عملی و کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق با R و Keras: آموزش عملی و کاربردی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. معرفی پایتون برای یادگیری عمیق
• 3. نصب و پیکربندی R و Keras
• 4. مبانی ریاضی یادگیری عمیق: حساب دیفرانسیل و انتگرال
• 5. مبانی ریاضی یادگیری عمیق: جبر خطی
• 6. مبانی ریاضی یادگیری عمیق: آمار و احتمال
• 7. مقدمه‌ای بر شبکه‌های عصبی
• 8. نورون مصنوعی و تابع فعال‌سازی
• 9. لایه های شبکه عصبی
• 10. معماری‌های پایه شبکه‌های عصبی
• 11. یادگیری با نظارت
• 12. یادگیری بدون نظارت
• 13. یادگیری تقویتی
• 14. الگوریتم پس‌انتشار خطا (Backpropagation)
• 15. بهینه‌سازها (Optimizers)
• 16. نرخ یادگیری و تنظیم آن
• 17. تنظیم‌کننده‌های Regularization برای جلوگیری از بیش‌برازش
• 18. اعتبارسنجی متقابل (Cross-Validation)
• 19. شبکه‌های عصبی کانولوشنال (CNN)
• 20. کاربردهای CNN در پردازش تصویر
• 21. شبکه‌های عصبی بازگشتی (RNN)
• 22. شبکه‌های حافظه بلندمدت (LSTM)
• 23. شبکه‌های گیت‌گذاری بازگشتی (GRU)
• 24. پردازش زبان طبیعی (NLP) با RNN و LSTM
• 25. مدل‌های زبانی (Language Models)
• 26. تولید متن با شبکه‌های عصبی
• 27. شبکه‌های مولد تخاصمی (GAN)
• 28. کاربردهای GAN در تولید تصویر و داده
• 29. انتقال یادگیری (Transfer Learning)
• 30. مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 31. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 32. یادگیری خودنظارتی (Self-Supervised Learning)
• 33. Autoencoders و کاربردهای آن‌ها
• 34. کاهش ابعاد با Autoencoders
• 35. تشخیص ناهنجاری با Autoencoders
• 36. شبکه‌های عصبی گراف (GNN)
• 37. کاربردهای GNN در تحلیل شبکه‌ها
• 38. یادگیری عمیق در سری‌های زمانی
• 39. پیش‌بینی سری‌های زمانی با شبکه‌های عصبی
• 40. یادگیری عمیق در داده‌های جدولی
• 41. استفاده از Keras برای ساخت مدل‌های یادگیری عمیق
• 42. ذخیره و بارگذاری مدل‌ها در Keras
• 43. ارزیابی عملکرد مدل‌های یادگیری عمیق
• 44. متریک‌های ارزیابی (Metrics)
• 45. Visualizing آموزش مدل
• 46. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 47. روش‌های جستجوی هایپرپارامتر
• 48. استفاده از GPU برای آموزش سریع‌تر
• 49. بهینه‌سازی مصرف حافظه در آموزش مدل‌ها
• 50. استقرار مدل‌های یادگیری عمیق
• 51. APIهای استقرار مدل
• 52. مقدمه‌ای بر یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 53. Q-learning و Deep Q-Networks (DQN)
• 54. Policy Gradient Methods
• 55. کاربردهای یادگیری تقویتی در بازی‌ها و رباتیک
• 56. یادگیری عمیق در پزشکی
• 57. یادگیری عمیق در تشخیص بیماری‌ها
• 58. یادگیری عمیق در پردازش سیگنال
• 59. یادگیری عمیق در تشخیص تقلب
• 60. یادگیری عمیق و امنیت سایبری
• 61. یادگیری عمیق و سیستم‌های توصیه گر
• 62. یادگیری عمیق و بینایی ماشین
• 63. یادگیری عمیق و پردازش صدا
• 64. آینده یادگیری عمیق و روندهای نوظهور
• 65. اخلاق در یادگیری عمیق و مسائل مربوط به سوگیری
• 66. تفسیرپذیری مدل‌های یادگیری عمیق
• 67. استفاده از ابزارهای تفسیرپذیری
• 68. بهبود مدل‌های یادگیری عمیق با تحلیل خطا
• 69. منابع و ابزارهای بیشتر برای یادگیری عمیق