دوره مبانی ریاضی شبکه‌های عصبی: از اصول تا کاربرد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی ریاضی شبکه‌های عصبی: از اصول تا کاربرد

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی ریاضی شبکه‌های عصبی: از اصول تا کاربرد
• 2. آشنایی با هوش مصنوعی و یادگیری ماشین
• 3. معرفی شبکه‌های عصبی مصنوعی و تاریخچه آن‌ها
• 4. مروری بر مفاهیم ریاضی ضروری: جبر خطی
• 5. مروری بر مفاهیم ریاضی ضروری: حساب دیفرانسیل و انتگرال
• 6. مروری بر مفاهیم ریاضی ضروری: آمار و احتمالات
• 7. ساختارهای داده‌ای در شبکه‌های عصبی: تانسورها
• 8. نرم‌افزارهای محاسباتی ریاضی و ابزارهای یادگیری ماشین
• 9. معرفی پایتون و کتابخانه‌های NumPy و PyTorch
• 10. عناصر اساسی یک نورون مصنوعی: ورودی‌ها، وزن‌ها، بایاس
• 11. تابع فعال‌سازی: نقش، انواع و انتخاب آن‌ها
• 12. تابع فعال‌سازی سیگموئید و ویژگی‌های آن
• 13. تابع فعال‌سازی تانژانت هایپربولیک (tanh)
• 14. تابع فعال‌سازی ReLU و انواع آن (Leaky ReLU, ELU)
• 15. معرفی مدل پرسپترون تک‌لایه
• 16. پیاده‌سازی پرسپترون در پایتون با NumPy
• 17. منطق بولین و پرسپترون‌ها
• 18. محدودیت‌های پرسپترون تک‌لایه
• 19. شبکه‌های عصبی چندلایه (MLP)
• 20. ساختار و معماری MLP
• 21. انتشار رو به جلو (Feedforward) در شبکه‌های عصبی
• 22. محاسبه خروجی یک MLP
• 23. تابع هزینه (Loss Function) و اهمیت آن
• 24. معرفی توابع هزینه: میانگین مربعات خطا (MSE)
• 25. معرفی توابع هزینه: آنتروپی متقابل (Cross-Entropy)
• 26. بهینه‌سازی: هدف و مفاهیم
• 27. الگوریتم گرادیان کاهشی (Gradient Descent)
• 28. گرادیان کاهشی دسته‌ای (Batch Gradient Descent)
• 29. گرادیان کاهشی تصادفی (Stochastic Gradient Descent)
• 30. گرادیان کاهشی مینی‌بچ (Mini-Batch Gradient Descent)
• 31. انتشار رو به عقب (Backpropagation): مفهوم و اصول
• 32. محاسبه گرادیان برای یک لایه واحد
• 33. انتشار رو به عقب در شبکه‌های چندلایه
• 34. پیاده‌سازی انتشار رو به عقب
• 35. بهینه‌سازهای پیشرفته: Momentum
• 36. بهینه‌سازهای پیشرفته: Adam
• 37. تنظیم نرخ یادگیری (Learning Rate)
• 38. اعتبار سنجی داده‌ها و روش‌های آن
• 39. توابع فعال‌سازی و مشتقات آن‌ها
• 40. آشنایی با مسئله Overfitting و راه‌های مقابله
• 41. روش‌های منظم‌سازی (Regularization): L1 و L2
• 42. روش‌های منظم‌سازی: Dropout
• 43. اعتبارسنجی متقابل (Cross-Validation)
• 44. انتخاب مدل و ارزیابی عملکرد
• 45. متریک‌های ارزیابی: دقت، صحت، یادآوری، F1-score
• 46. داده‌پردازی و آماده‌سازی داده‌ها
• 47. استانداردسازی و نرمال‌سازی داده‌ها
• 48. معرفی شبکه‌های عصبی کانولوشن (CNNs)
• 49. عمل کانولوشن و عملکرد آن
• 50. لایه های کانولوشن
• 51. لایه های Pooling
• 52. معماری‌های CNN: LeNet, AlexNet, VGG
• 53. کاربرد CNN ها در پردازش تصویر
• 54. شبکه‌های عصبی بازگشتی (RNNs)
• 55. معرفی و ساختار RNN
• 56. انواع معماری‌های RNN: One-to-one, one-to-many, many-to-one, many-to-many
• 57. مشکل vanishing/exploding gradients در RNN
• 58. RNN های Long Short-Term Memory (LSTM)
• 59. RNN های Gated Recurrent Unit (GRU)
• 60. کاربرد RNN ها در پردازش زبان طبیعی
• 61. توابع فعال‌سازی در لایه‌های پنهان
• 62. توابع فعال‌سازی در لایه‌های خروجی (Classification, Regression)
• 63. بهینه‌سازی هایپرپارامترها
• 64. آموزش شبکه‌های عصبی از ابتدا تا انتها
• 65. مواجهه با داده‌های گمشده (Missing Data)
• 66. تکنیک‌های افزایش داده‌ها (Data Augmentation)
• 67. مدیریت حافظه و بهینه‌سازی محاسبات
• 68. آشنایی با محیط‌های محاسباتی توزیع‌شده
• 69. استفاده از GPU برای آموزش شبکه‌های عصبی
• 70. طراحی معماری شبکه عصبی
• 71. انتخاب اندازه دسته (Batch Size)
• 72. بهینه‌سازی زمان آموزش
• 73. ادغام مدل‌های مختلف (Ensemble Learning)
• 74. معرفی Transfer Learning
• 75. استفاده از شبکه‌های عصبی از پیش آموزش‌دیده
• 76. کاربرد شبکه‌های عصبی در تشخیص تصویر
• 77. کاربرد شبکه‌های عصبی در پردازش صوت
• 78. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 79. کاربرد شبکه‌های عصبی در داده‌کاوی
• 80. شبکه‌های مولد تخاصمی (GANs)
• 81. معرفی و اصول کار GAN
• 82. ساختار GAN: Generator و Discriminator
• 83. کاربردهای GAN: تولید تصاویر و داده‌های مصنوعی
• 84. معرفی شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 85. اصول کار Autoencoder
• 86. انواع Autoencoder: ساده، denoising، variational
• 87. کاربردهای Autoencoder: کاهش ابعاد داده
• 88. Deep Reinforcement Learning
• 89. معرفی و اصول یادگیری تقویتی
• 90. شبکه‌های عصبی و یادگیری تقویتی
• 91. Q-learning و شبکه‌های عصبی
• 92. Deep Q-Network (DQN)
• 93. آشنایی با کتابخانه‌های TensorFlow و Keras
• 94. آشنایی با کتابخانه PyTorch
• 95. مقایسه TensorFlow و PyTorch
• 96. روش‌های تجسم شبکه‌های عصبی
• 97. تفسیر نتایج و تحلیل خطاها
• 98. آینده شبکه‌های عصبی و هوش مصنوعی
• 99. اخلاقیات هوش مصنوعی
• 100. مسائل امنیتی در شبکه‌های عصبی