اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری عمیق: اصول و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق: اصول و کاربردها

موضوع کلی: تاریخ علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: شبکه‌های عصبی مصنوعی (اولیه)

📋 سرفصل‌های دوره

• 1. مبانی یادگیری عمیق و شبکه‌های عصبی
• 2. تاریخچه و تکامل یادگیری عمیق
• 3. معرفی معماری‌های اصلی شبکه‌های عصبی
• 4. عملکرد یک نورون مصنوعی
• 5. توابع فعال‌سازی و نقش آن‌ها
• 6. انتخاب تابع فعال‌سازی مناسب
• 7. یادگیری با نظارت: رگرسیون خطی
• 8. یادگیری با نظارت: رگرسیون لجستیک
• 9. روش‌های بهینه‌سازی: گرادیان کاهشی
• 10. نرخ یادگیری و تنظیم آن
• 11. تنظیم‌کننده‌ها و جلوگیری از بیش‌برازش
• 12. ارزیابی مدل‌های یادگیری عمیق
• 13. مقدمه‌ای بر شبکه‌های عصبی پیچشی (CNN)
• 14. لایه‌های پیچشی و ویژگی‌یابی
• 15. لایه‌های تجمیع و کاهش ابعاد
• 16. کاربردهای CNN در پردازش تصویر
• 17. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 18. حافظه کوتاه‌مدت بلند (LSTM)
• 19. شبکه‌های دوجانبه LSTM (Bi-LSTM)
• 20. کاربردهای RNN در پردازش زبان طبیعی
• 21. پردازش متن با استفاده از Word Embeddings
• 22. مدل‌های زبانی و تولید متن
• 23. شبکه‌های مولد تخاصمی (GAN)
• 24. کاربردهای GAN در تولید تصویر
• 25. یادگیری تقویتی: مفاهیم اولیه
• 26. الگوریتم Q-Learning
• 27. الگوریتم Deep Q-Network (DQN)
• 28. شبکه‌های عصبی کانولوشنی سه بعدی
• 29. شبکه‌های عصبی گراف
• 30. یادگیری انتقالی و Fine-tuning
• 31. افزایش داده‌ها و بهبود عملکرد مدل
• 32. انتخاب ویژگی و کاهش ابعاد
• 33. مدل‌های Ensemble و ترکیب پیش‌بینی‌ها
• 34. بهینه‌سازی هایپرپارامترها
• 35. استفاده از TensorFlow برای یادگیری عمیق
• 36. استفاده از Keras برای یادگیری عمیق
• 37. استفاده از PyTorch برای یادگیری عمیق
• 38. پیاده‌سازی یک مدل CNN برای طبقه‌بندی تصاویر
• 39. پیاده‌سازی یک مدل RNN برای تحلیل احساسات
• 40. پیاده‌سازی یک مدل GAN برای تولید تصاویر
• 41. کاربرد یادگیری عمیق در تشخیص اشیاء
• 42. کاربرد یادگیری عمیق در تشخیص چهره
• 43. کاربرد یادگیری عمیق در پردازش صدا
• 44. کاربرد یادگیری عمیق در تحلیل داده‌های سری زمانی
• 45. یادگیری خود نظارتی