اپلیکیشن اندرویدی فلش‌کارت آموزشی الگوریتم‌های عصبی با راندمان بالا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های عصبی با راندمان بالا

موضوع کلی: علوم اعصاب محاسباتی

موضوع میانی: مدل‌های کارایی انرژی در محاسبات عصبی

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی مصنوعی
• 2. آشنایی با نورون‌های مصنوعی و مدل‌های ریاضی آن‌ها
• 3. توابع فعال‌سازی: انواع و کاربردها
• 4. یادگیری با نظارت: رگرسیون خطی
• 5. یادگیری با نظارت: رگرسیون لجستیک
• 6. الگوریتم‌های بهینه‌سازی: گرادیان کاهشی
• 7. نرخ یادگیری و تنظیم آن
• 8. معیارهای ارزیابی عملکرد شبکه‌های عصبی
• 9. بیش‌برازش و کم‌برازش: تشخیص و راهکارها
• 10. تنظیم‌سازی: L1 و L2
• 11. شبکه‌های عصبی چندلایه (MLP)
• 12. انتخاب ساختار شبکه: تعداد لایه‌ها و نورون‌ها
• 13. انتخاب توابع فعال‌سازی مناسب برای لایه‌های مختلف
• 14. روش‌های اولیه وزن‌دهی در شبکه‌های عصبی
• 15. پیاده‌سازی MLP در پایتون
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. کانولوشن و فیلترها
• 18. لایه‌های pooling و کاربردهای آن‌ها
• 19. معماری‌های معروف CNN: LeNet، AlexNet
• 20. معماری‌های معروف CNN: VGGNet، ResNet
• 21. شبکه‌های عصبی بازگشتی (RNN)
• 22. حافظه کوتاه‌مدت بلندمدت (LSTM)
• 23. گیت‌های LSTM: فراموشی، ورودی، خروجی
• 24. شبکه‌های عصبی دوطرفه (Bi-RNN)
• 25. کاربردهای LSTM در پردازش زبان طبیعی
• 26. شبکه‌های مولد تخاصمی (GAN)
• 27. شبکه مولد و شبکه تمیزدهنده
• 28. توابع ضرر GAN و آموزش آن‌ها
• 29. کاربردهای GAN در تولید تصاویر
• 30. یادگیری تقویتی
• 31. مفاهیم پایه یادگیری تقویتی: عامل، محیط، پاداش
• 32. الگوریتم Q-learning
• 33. الگوریتم SARSA
• 34. شبکه‌های عصبی عمیق Q (DQN)
• 35. بهینه‌سازی حافظه تجربی (Experience Replay)
• 36. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 37. خودرمزگذار زیرفضایی (Undercomplete Autoencoder)
• 38. خودرمزگذار پراکنده (Sparse Autoencoder)
• 39. خودرمزگذار قراردادی (Contractive Autoencoder)
• 40. کاربردهای خودرمزگذار در کاهش ابعاد
• 41. انتقال یادگیری (Transfer Learning)
• 42. Fine-tuning شبکه‌های از پیش آموزش‌دیده
• 43. استفاده از مدل‌های از پیش آموزش‌دیده برای تشخیص اشیا
• 44. بهینه‌سازی هایپرپارامترها
• 45. جستجوی شبکه‌ای (Grid Search)