اپلیکیشن اندرویدی فلش‌کارت آموزشی پیش‌بینی رفتار با مدل‌های حافظه‌دار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی رفتار با مدل‌های حافظه‌دار

موضوع کلی: مدل‌سازی و حل معادلات دیفرانسیل تصادفی در بازی‌های میانگین میدانی

موضوع میانی: مدل‌سازی رفتار با حافظه

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی بازگشتی
• 2. حافظه کوتاه‌مدت در شبکه‌های عصبی
• 3. شبکه‌های حافظه بلندمدت (LSTM)
• 4. درک معماری LSTM
• 5. گیت‌های LSTM: گیت ورودی، فراموشی، خروجی
• 6. پیاده‌سازی LSTM در پایتون
• 7. شبکه‌های دروازه‌ای بازگشتی (GRU)
• 8. مقایسه LSTM و GRU
• 9. کاربردهای LSTM و GRU در پردازش زبان طبیعی
• 10. پیش‌بینی سری‌های زمانی با LSTM
• 11. پیش‌بینی قیمت سهام با استفاده از LSTM
• 12. مدل‌سازی زبان با شبکه‌های بازگشتی
• 13. تولید متن با استفاده از LSTM
• 14. تکنیک‌های بهبود عملکرد LSTM
• 15. تنظیم هایپرپارامترهای LSTM
• 16. جلوگیری از بیش‌برازش در LSTM
• 17. استفاده از Dropout در LSTM
• 18. استفاده از Regularization در LSTM
• 19. شبکه‌های توالی به توالی (Sequence-to-Sequence)
• 20. مکانیسم توجه (Attention Mechanism)
• 21. ترجمه ماشینی با شبکه‌های توالی به توالی
• 22. خلاصه‌سازی متن با شبکه‌های بازگشتی
• 23. تشخیص احساسات در متن با LSTM
• 24. تحلیل نظرات مشتریان با LSTM
• 25. تشخیص اسپم با استفاده از شبکه‌های بازگشتی
• 26. مدل‌سازی گفتار با LSTM
• 27. تبدیل متن به گفتار با شبکه‌های بازگشتی
• 28. تشخیص صدا با استفاده از شبکه‌های بازگشتی
• 29. پیش‌بینی کلمه بعدی در یک جمله
• 30. تکمیل خودکار متن با LSTM
• 31. مدل‌های زبانی بزرگ (LLM) و شبکه‌های بازگشتی
• 32. معماری Transformer و مقایسه با شبکه‌های بازگشتی
• 33. کاربردهای Transformer در پردازش زبان طبیعی
• 34. پردازش داده‌های متنی برای شبکه‌های بازگشتی
• 35. پاکسازی و پیش‌پردازش متن
• 36. تبدیل کلمات به بردار با Word Embeddings
• 37. استفاده از Word2Vec و GloVe
• 38. استفاده از FastText برای ایجاد Word Embeddings
• 39. ارزیابی مدل‌های پیش‌بینی رفتار
• 40. معیارهای ارزیابی مدل‌های سری زمانی
• 41. معیارهای ارزیابی مدل‌های زبان
• 42. استفاده از داده‌های نامتوازن در آموزش مدل
• 43. تکنیک‌های مقابله با داده‌های نامتوازن
• 44. بهینه‌سازی مدل‌های بازگشتی برای سرعت و کارایی
• 45. استفاده از GPU برای آموزش مدل‌های بازگشتی