اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی ویژگی‌ها برای مدل‌های یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی ویژگی‌ها برای مدل‌های یادگیری عمیق

موضوع کلی: علوم و مهندسی داده و هوش مصنوعی

موضوع میانی: مهندسی ویژگی (Feature Engineering)

📋 سرفصل‌های دوره

• 1. بهینه‌سازی گرادیان کاهشی
• 2. معیارهای ارزیابی مدل‌های یادگیری عمیق
• 3. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 4. پیش‌پردازش داده‌ها برای یادگیری عمیق
• 5. انتخاب ویژگی‌های مناسب برای مدل‌ها
• 6. معماری‌های مختلف شبکه‌های عصبی
• 7. روش‌های تنظیم نرخ یادگیری
• 8. تنظیم هایپرپارامترها در شبکه‌های عصبی
• 9. بیش‌برازش و کم‌برازش در یادگیری عمیق
• 10. روش‌های regularization برای جلوگیری از بیش‌برازش
• 11. استفاده از Dropout در شبکه‌های عصبی
• 12. بهینه‌سازهای مختلف و مقایسه آن‌ها
• 13. بهینه‌سازی Momentum
• 14. بهینه‌سازی Adam
• 15. بهینه‌سازی RMSprop
• 16. یادگیری انتقالی (Transfer Learning)
• 17. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 18. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 19. لایه‌های کانولوشن و Pooling
• 20. شبکه‌های عصبی بازگشتی (RNN) برای پردازش دنباله
• 21. حافظه کوتاه‌مدت بلند (LSTM)
• 22. شبکه‌های عصبی Gated Recurrent Unit (GRU)
• 23. Autoencoders و کاربردهای آن‌ها
• 24. کاهش ابعاد با Autoencoders
• 25. شبکه‌های مولد تخاصمی (GAN)
• 26. تولید تصاویر با استفاده از GAN
• 27. شبکه‌های توجه (Attention Networks)
• 28. مکانیسم توجه در شبکه‌های عصبی
• 29. بهینه‌سازی حافظه در شبکه‌های عصبی
• 30. کوانتیزاسیون مدل‌های یادگیری عمیق
• 31. هرس (Pruning) شبکه‌های عصبی
• 32. تقطیر دانش (Knowledge Distillation)
• 33. یادگیری خودنظارتی (Self-Supervised Learning)
• 34. بهینه‌سازی برای داده‌های نامتوازن
• 35. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 36. تفسیرپذیری مدل‌های یادگیری عمیق
• 37. روش‌های Visualizing Activation
• 38. تحلیل اهمیت ویژگی‌ها
• 39. بهینه‌سازی مدل‌ها برای سخت‌افزارهای خاص
• 40. بهینه‌سازی مدل‌ها برای پردازنده‌های گرافیکی (GPU)
• 41. استفاده از TensorRT برای استنتاج سریع
• 42. بهینه‌سازی مدل‌ها برای دستگاه‌های موبایل
• 43. بهینه‌سازی مدل‌ها برای دستگاه‌های IoT
• 44. یادگیری فدرال (Federated Learning)
• 45. حریم خصوصی تفاضلی (Differential Privacy)