اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل پیش‌بینانه با شبکه‌های عصبی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل پیش‌بینانه با شبکه‌های عصبی

موضوع کلی: هوش مصنوعی و توسعهٔ کاربردهای آن

موضوع میانی: پیش‌بینی با هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی مصنوعی
• 2. معماری‌های پایه شبکه‌های عصبی
• 3. تابع فعال‌سازی و نقش آن در شبکه‌های عصبی
• 4. انتخاب تابع فعال‌سازی مناسب
• 5. بهینه‌سازی وزن‌ها با گرادیان کاهشی
• 6. الگوریتم پس‌انتشار خطا
• 7. نرخ یادگیری و تاثیر آن بر آموزش شبکه
• 8. بیش‌برازش و روش‌های جلوگیری از آن
• 9. تنظیم‌سازی (Regularization) در شبکه‌های عصبی
• 10. اعتبارسنجی متقابل (Cross-Validation)
• 11. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 12. نرمال‌سازی و استانداردسازی داده‌ها
• 13. انتخاب ویژگی (Feature Selection)
• 14. استخراج ویژگی (Feature Extraction)
• 15. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 16. لایه‌های کانولوشنی و استخرسازی
• 17. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های سری زمانی
• 18. حافظه طولانی کوتاه‌مدت (LSTM)
• 19. شبکه‌های عصبی دروازه‌دار بازگشتی (GRU)
• 20. شبکه‌های عصبی خودرمزگذار (Autoencoder)
• 21. کاهش ابعاد با خودرمزگذار
• 22. تشخیص ناهنجاری با خودرمزگذار
• 23. شبکه‌های مولد تخاصمی (GAN)
• 24. تولید داده‌های مصنوعی با GAN
• 25. انواع توابع زیان (Loss Functions)
• 26. انتخاب تابع زیان مناسب برای مسئله
• 27. بهینه‌سازهای پیشرفته (Adam, RMSprop)
• 28. یادگیری انتقالی (Transfer Learning)
• 29. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 30. ارزیابی عملکرد مدل‌های پیش‌بینانه
• 31. معیارهای ارزیابی رگرسیون
• 32. معیارهای ارزیابی طبقه‌بندی
• 33. ماتریس درهم‌ریختگی (Confusion Matrix)
• 34. بکارگیری شبکه‌های عصبی در پیش‌بینی سری‌های زمانی مالی
• 35. پیش‌بینی فروش با شبکه‌های عصبی
• 36. پیش‌بینی تقاضا با شبکه‌های عصبی
• 37. تحلیل احساسات با شبکه‌های عصبی
• 38. تشخیص تقلب با شبکه‌های عصبی
• 39. پیش‌بینی ریسک اعتباری با شبکه‌های عصبی
• 40. شبکه‌های عصبی عمیق (DNN)
• 41. بهینه‌سازی معماری شبکه عصبی
• 42. انتخاب هایپرپارامترها
• 43. استفاده از کتابخانه‌های TensorFlow و Keras
• 44. استفاده از کتابخانه PyTorch
• 45. استقرار مدل‌های پیش‌بینانه