دوره مبانی ریاضیاتی یادگیری عمیق برای هوش مصنوعی کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی ریاضیاتی یادگیری عمیق برای هوش مصنوعی کاربردی

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی جبر خطی برای یادگیری عمیق
• 3. ماتریس‌ها و عملیات روی آن‌ها
• 4. بردارها و فضاهای برداری
• 5. مقادیر ویژه و بردارهای ویژه
• 6. تحلیل مؤلفه‌های اصلی (PCA)
• 7. مبانی حساب دیفرانسیل و انتگرال
• 8. مشتقات توابع چند متغیره
• 9. قاعده زنجیره‌ای در حساب دیفرانسیل
• 10. گرادیان و کاربرد آن در بهینه‌سازی
• 11. بهینه‌سازی تابع با چند متغیر
• 12. مبانی احتمال و آمار
• 13. متغیرهای تصادفی و توزیع‌های احتمال
• 14. توزیع‌های گسسته و پیوسته
• 15. امید ریاضی و واریانس
• 16. قضیه بیز و استنتاج احتمالاتی
• 17. برآورد حداکثر درست‌نمایی (MLE)
• 18. روش گشتاورها (MoM)
• 19. مبانی بهینه‌سازی
• 20. روش‌های بهینه‌سازی بدون قید
• 21. گرادیان کاهشی (Gradient Descent)
• 22. گرادیان کاهشی تصادفی (SGD)
• 23. بهینه‌سازهای تطبیقی (Adam, RMSprop)
• 24. بهینه‌سازی مقید
• 25. روش لاگرانژین
• 26. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 27. نورون مصنوعی و توابع فعال‌سازی
• 28. شبکه‌های عصبی پیشخور (Feedforward Networks)
• 29. پس‌انتشار خطا (Backpropagation)
• 30. یادگیری پارامترها در شبکه‌های عصبی
• 31. تکنیک‌های تنظیم (Regularization)
• 32. کاهش بیش‌برازش (Overfitting)
• 33. L1 و L2 Regularization
• 34. Dropout
• 35. Early Stopping
• 36. شبکه‌های عصبی کانولوشنی (CNN)
• 37. لایه‌های کانولوشن و پولینگ
• 38. کاربرد CNN در بینایی ماشین
• 39. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 40. شبکه‌های عصبی بازگشتی (RNN)
• 41. حافظه کوتاه‌مدت طولانی (LSTM)
• 42. واحد بازگشتی دروازه‌ای (GRU)
• 43. کاربرد RNN در NLP
• 44. یادگیری بازنمایی کلمات (Word Embeddings)
• 45. Word2Vec و GloVe
• 46. شبکه‌های عصبی ترنسفورمر (Transformer)
• 47. مکانیزم توجه (Attention Mechanism)
• 48. کاربرد ترنسفورمر در NLP
• 49. یادگیری تقویتی (Reinforcement Learning)
• 50. عناصر یادگیری تقویتی
• 51. فرایند تصمیم‌گیری مارکوف (MDP)
• 52. الگوریتم‌های Q-Learning
• 53. Policy Gradients
• 54. یادگیری عمیق مولد (Generative Deep Learning)
• 55. شبکه‌های مولد تخاصمی (GAN)
• 56. شبکه‌های واریشنال اتوانکودر (VAE)
• 57. کاربرد مدل‌های مولد
• 58. معماری‌های پیشرفته در یادگیری عمیق
• 59. شبکه‌های عصبی گراف (GNN)
• 60. یادگیری عمیق در داده‌های سری زمانی
• 61. کاربرد یادگیری عمیق در پزشکی
• 62. کاربرد یادگیری عمیق در اقتصاد
• 63. کاربرد یادگیری عمیق در علوم زیستی
• 64. کاربرد یادگیری عمیق در مهندسی
• 65. اخلاق در هوش مصنوعی و یادگیری عمیق
• 66. سوگیری در الگوریتم‌های یادگیری ماشین
• 67. شفافیت و قابلیت توضیح‌پذیری مدل‌ها
• 68. حریم خصوصی و امنیت داده‌ها
• 69. ملاحظات نظارتی و قانونی در هوش مصنوعی
• 70. روش‌های ارزیابی مدل‌های یادگیری عمیق
• 71. متریک‌های ارزیابی برای رگرسیون
• 72. متریک‌های ارزیابی برای طبقه‌بندی
• 73. متریک‌های ارزیابی برای مدل‌های مولد
• 74. مقدمه‌ای بر پردازش سیگنال برای یادگیری عمیق
• 75. تبدیل فوریه و کاربردهای آن
• 76. پردازش سیگنال‌های صوتی
• 77. پردازش سیگنال‌های تصویری
• 78. مبانی یادگیری نیمه‌نظارتی
• 79. یادگیری انتقالی (Transfer Learning)
• 80. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 81. مفاهیم پیشرفته در شبکه‌های عصبی
• 82. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
• 83. یادگیری عمیق کوانتومی
• 84. کاربرد یادگیری عمیق در رباتیک
• 85. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 86. مدل‌های یادگیری ماشین سنتی
• 87. مقایسه مدل‌های سنتی و یادگیری عمیق
• 88. ملاحظات پیاده‌سازی و استقرار مدل‌ها
• 89. بهینه‌سازی مدل‌ها برای محیط‌های عملیاتی
• 90. مدیریت چرخه عمر مدل‌های یادگیری ماشین
• 91. مقدمه‌ای بر داده‌های بزرگ (Big Data) و یادگیری عمیق
• 92. پلتفرم‌های پردازش داده‌های بزرگ
• 93. کاربرد یادگیری عمیق در تحلیل داده‌های بزرگ
• 94. ملاحظات امنیتی در سیستم‌های هوش مصنوعی