اپلیکیشن اندرویدی فلش‌کارت آموزشی TensorFlow و Keras: کارگاه عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره TensorFlow و Keras: کارگاه عملی

موضوع کلی: زیرساخت‌های محاسباتی و هوش مصنوعی

موضوع میانی: پروژه‌های Open Source AI

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و شبکه‌های عصبی
• 2. TensorFlow: نصب و پیکربندی محیط توسعه
• 3. Keras: آشنایی با کتابخانه و مفاهیم پایه
• 4. درک تانسورها و عملیات ریاضی در TensorFlow
• 5. ساخت مدل‌های ساده با استفاده از Keras
• 6. لایه ها و توابع فعال‌سازی در شبکه‌های عصبی
• 7. آماده‌سازی داده‌ها برای آموزش مدل
• 8. نرمال‌سازی و پیش‌پردازش داده‌ها
• 9. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمایش
• 10. انتخاب تابع زیان مناسب برای مسئله
• 11. انتخاب الگوریتم بهینه‌سازی
• 12. تنظیم نرخ یادگیری و پارامترهای بهینه‌سازی
• 13. ارزیابی عملکرد مدل
• 14. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 15. متریک‌های ارزیابی مدل‌های رگرسیون
• 16. جلوگیری از بیش‌برازش (Overfitting)
• 17. تکنیک‌های تنظیم‌سازی (Regularization)
• 18. Dropout و Batch Normalization
• 19. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 20. استفاده از Callbackها در TensorFlow و Keras
• 21. ساخت مدل‌های طبقه‌بندی تصاویر با استفاده از CNN
• 22. شبکه‌های عصبی کانولوشنال (CNN) و فیلترها
• 23. Pooling و Max Pooling در CNN
• 24. Data Augmentation برای بهبود عملکرد مدل
• 25. انتقال یادگیری (Transfer Learning) با استفاده از مدل‌های پیش‌آموزش‌دیده
• 26. Fine-tuning مدل‌های پیش‌آموزش‌دیده
• 27. ساخت مدل‌های تشخیص اشیاء با استفاده از TensorFlow Object Detection API
• 28. تشخیص چهره با استفاده از شبکه‌های عصبی
• 29. ساخت مدل‌های پردازش زبان طبیعی (NLP) با استفاده از Keras
• 30. Word Embeddings و Vectorization
• 31. شبکه‌های عصبی بازگشتی (RNN) و LSTM
• 32. مدل‌های متن‌تولید با استفاده از Keras
• 33. تجزیه و تحلیل سری‌های زمانی با استفاده از TensorFlow
• 34. پیش‌بینی قیمت سهام با استفاده از شبکه‌های عصبی
• 35. ساخت مدل‌های توصیه‌گر (Recommender Systems) با استفاده از Keras
• 36. TensorBoard: ابزاری برای تجسم و دیباگ کردن مدل‌ها
• 37. استفاده از TensorFlow Datasets برای مدیریت داده‌ها
• 38. TensorFlow Serving: استقرار مدل‌های آموزش‌دیده
• 39. بهینه‌سازی مدل‌ها برای استقرار روی دستگاه‌های با منابع محدود
• 40. TensorFlow Lite: اجرای مدل‌ها بر روی موبایل و دستگاه‌های IoT
• 41. TensorFlow Hub: استفاده از مدل‌های از پیش‌آموزش‌دیده
• 42. کار با داده‌های نامتوازن (Imbalanced Data)
• 43. تکنیک‌های Ensemble Learning در TensorFlow و Keras
• 44. استفاده از Generative Adversarial Networks (GANs)
• 45. آشنایی با مفاهیم یادگیری تقویتی (Reinforcement Learning)