دوره مبانی شبکه‌های عصبی با زبان برنامه‌نویسی Wolfram Language همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی با زبان برنامه‌نویسی Wolfram Language

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی Wolfram Language
• 2. مفاهیم پایه در Wolfram Language
• 3. ساختارهای داده در Wolfram Language
• 4. توابع و ارزیابی در Wolfram Language
• 5. الگوهای تطبیق در Wolfram Language
• 6. کار با لیست‌ها در Wolfram Language
• 7. پردازش نمادین در Wolfram Language
• 8. رسم نمودار در Wolfram Language
• 9. مقدمه‌ای بر هوش مصنوعی
• 10. تعریف یادگیری ماشین
• 11. انواع یادگیری ماشین
• 12. یادگیری نظارت شده
• 13. یادگیری نظارت نشده
• 14. یادگیری تقویتی
• 15. مقدمه‌ای بر شبکه‌های عصبی
• 16. نورون مصنوعی
• 17. توابع فعال‌سازی
• 18. شبکه‌های عصبی پرسپترون تک لایه
• 19. شبکه‌های عصبی پرسپترون چند لایه
• 20. آموزش شبکه‌های عصبی
• 21. تابع هزینه
• 22. گرادیان کاهشی
• 23. پس‌انتشار خطا
• 24. تنظیم نرخ یادگیری
• 25. بهینه‌سازها
• 26. تنظیمات فراپارامترها
• 27. اعتبارسنجی متقاطع
• 28. مدل‌های بیش‌برازش و کم‌برازش
• 29. روش‌های منظم‌سازی
• 30. نرمال‌سازی دسته‌ای
• 31. شبکه‌های عصبی کانولوشنی (CNN)
• 32. لایه‌های کانولوشن
• 33. لایه‌های پولینگ
• 34. معماری‌های CNN
• 35. کاربرد CNN در بینایی ماشین
• 36. شبکه‌های عصبی بازگشتی (RNN)
• 37. حافظه کوتاه‌مدت طولانی (LSTM)
• 38. واحدهای بازگشتی دروازه‌ای (GRU)
• 39. کاربرد RNN در پردازش زبان طبیعی
• 40. مقدمه‌ای بر زبان‌های برنامه‌نویسی تخصصی هوش مصنوعی
• 41. مقایسه Wolfram Language با سایر زبان‌ها
• 42. مزایای Wolfram Language در هوش مصنوعی
• 43. استفاده از Wolfram Language برای پیاده‌سازی شبکه‌های عصبی
• 44. توابع آماده در Wolfram Language برای شبکه‌های عصبی
• 45. ساخت یک شبکه عصبی ساده با Wolfram Language
• 46. آموزش یک شبکه عصبی با Wolfram Language
• 47. ارزیابی عملکرد شبکه عصبی
• 48. تنظیم معماری شبکه عصبی
• 49. استفاده از داده‌های واقعی در Wolfram Language
• 50. پیش‌پردازش داده‌ها در Wolfram Language
• 51. مهندسی ویژگی در Wolfram Language
• 52. تکنیک‌های افزایش داده
• 53. شبکه‌های عصبی برای طبقه‌بندی
• 54. شبکه‌های عصبی برای رگرسیون
• 55. مدل‌های پیش‌بینی سری زمانی
• 56. شبکه‌های عصبی مولد (GAN)
• 57. مقدمه‌ای بر GAN
• 58. معماری GAN
• 59. کاربرد GAN در تولید تصویر
• 60. شبکه‌های عصبی خودرمزگذار (Autoencoder)
• 61. مقدمه‌ای بر خودرمزگذارها
• 62. معماری خودرمزگذارها
• 63. کاربرد خودرمزگذارها در کاهش ابعاد
• 64. یادگیری عمیق در Wolfram Language
• 65. فریم‌ورک‌های یادگیری عمیق در Wolfram Language
• 66. شبکه‌های عصبی ترنسفورمر
• 67. مقدمه‌ای بر ترنسفورمرها
• 68. معماری ترنسفورمر
• 69. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 70. مدل‌های زبانی بزرگ
• 71. تکنیک‌های پیشرفته در یادگیری ماشین
• 72. تفسیرپذیری مدل‌های یادگیری ماشین
• 73. مسائل اخلاقی در هوش مصنوعی
• 74. مسئولیت‌پذیری در هوش مصنوعی
• 75. امنیت در مدل‌های هوش مصنوعی
• 76. حریم خصوصی داده‌ها در هوش مصنوعی
• 77. کاربرد هوش مصنوعی در صنعت
• 78. کاربرد هوش مصنوعی در سلامت
• 79. کاربرد هوش مصنوعی در آموزش
• 80. کاربرد هوش مصنوعی در مالی
• 81. کاربرد هوش مصنوعی در کشاورزی
• 82. شبکه‌های عصبی گراف (GNN)
• 83. مقدمه‌ای بر GNN
• 84. معماری GNN
• 85. کاربرد GNN در شبکه‌های اجتماعی
• 86. یادگیری تقویتی عمیق
• 87. مقدمه‌ای بر یادگیری تقویتی عمیق
• 88. الگوریتم‌های یادگیری تقویتی عمیق
• 89. کاربرد یادگیری تقویتی عمیق در رباتیک
• 90. مقدمه‌ای بر یادگیری ماشین با بینش اسلامی
• 91. اصول اخلاقی در علم داده
• 92. حفظ کرامت انسانی در هوش مصنوعی
• 93. پرهیز از تبعیض در الگوریتم‌ها
• 94. شفافیت در تصمیم‌گیری‌های مبتنی بر هوش مصنوعی
• 95. توسعه پایدار با رویکرد هوش مصنوعی
• 96. کاربرد هوش مصنوعی در خدمت به جامعه
• 97. مبانی فقهی داده‌کاوی
• 98. چارچوب‌های شرعی در استفاده از الگوریتم‌ها
• 99. جواز شرعی استفاده از یادگیری ماشین
• 100. ملاحظات شرعی در حریم خصوصی داده‌ها