اپلیکیشن اندرویدی فلش‌کارت آموزشی شبکه‌های عصبی در تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی در تحلیل داده

موضوع کلی: تاریخ علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: شبکه‌های عصبی مصنوعی (اولیه)

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی
• 2. درک داده و پیش‌پردازش آن
• 3. ویژگی‌های داده و مهندسی ویژگی
• 4. الگوریتم‌های یادگیری نظارت‌شده
• 5. رگرسیون خطی و شبکه‌های عصبی
• 6. رگرسیون لجستیک و طبقه‌بندی
• 7. تابع فعال‌سازی و انواع آن
• 8. شبکه‌های عصبی چندلایه
• 9. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 10. معیارهای ارزیابی مدل‌های رگرسیون
• 11. بیش‌برازش و کم‌برازش در شبکه‌های عصبی
• 12. روش‌های جلوگیری از بیش‌برازش
• 13. تنظیم‌سازی (Regularization)
• 14. بهینه‌سازی گرادیان کاهشی
• 15. الگوریتم‌های بهینه‌سازی پیشرفته
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. کاربردهای CNN در پردازش تصویر
• 18. تشخیص اشیا با استفاده از CNN
• 19. شبکه‌های عصبی بازگشتی (RNN)
• 20. کاربردهای RNN در پردازش زبان طبیعی
• 21. مدل‌های زبانی و تولید متن
• 22. پردازش دنباله‌های زمانی با RNN
• 23. شبکه‌های LSTM و GRU
• 24. توجه (Attention) در شبکه‌های عصبی
• 25. تبدیل‌کننده‌ها (Transformers)
• 26. مدل‌های پیش‌آموزش‌دیده (Pre-trained Models)
• 27. انتقال یادگیری (Transfer Learning)
• 28. Fine-tuning مدل‌های پیش‌آموزش‌دیده
• 29. شبکه‌های مولد تخاصمی (GANs)
• 30. کاربردهای GANs در تولید داده
• 31. یادگیری تقویتی (Reinforcement Learning)
• 32. مقدمه‌ای بر یادگیری تقویتی
• 33. Q-learning و Deep Q-Networks
• 34. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 35. کاهش ابعاد با استفاده از Autoencoders
• 36. تشخیص ناهنجاری با Autoencoders
• 37. انتخاب معماری شبکه عصبی مناسب
• 38. تنظیم هایپرپارامترها
• 39. تفسیرپذیری مدل‌های شبکه‌های عصبی
• 40. روش‌های تجسم (Visualization) شبکه‌های عصبی
• 41. استقرار مدل‌های شبکه‌های عصبی
• 42. چالش‌ها و ملاحظات اخلاقی در شبکه‌های عصبی
• 43. منابع داده باز برای یادگیری عمیق
• 44. ابزارهای توسعه شبکه‌های عصبی
• 45. آینده شبکه‌های عصبی در تحلیل داده