دوره تسلط بر یادگیری عمیق با تنسور فلو ۲.x و کراس: از مبانی تا کاربردهای پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر یادگیری عمیق با تنسور فلو ۲.x و کراس: از مبانی تا کاربردهای پیشرفته

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق با تنسور فلو و کراس

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مقدمه‌ای بر یادگیری عمیق
• 5. شبکه‌های عصبی مصنوعی
• 6. ساختار و عملکرد نورون مصنوعی
• 7. توابع فعال‌سازی در شبکه‌های عصبی
• 8. پس‌انتشار خطا (Backpropagation)
• 9. بهینه‌سازی شبکه‌های عصبی
• 10. گرادیان کاهشی و انواع آن
• 11. مقدمه‌ای بر تنسور فلو ۲.x
• 12. نصب و پیکربندی تنسور فلو
• 13. تنسورها در تنسور فلو
• 14. عملیات بر روی تنسورها
• 15. سفارشی‌سازی توابع در تنسور فلو
• 16. تابع‌سازی (Functionals) در تنسور فلو
• 17. مقدمه‌ای بر کراس (Keras)
• 18. معماری کراس: لایه‌ها، مدل‌ها، بهینه‌سازها
• 19. ساخت مدل‌های ترتیبی (Sequential Models)
• 20. لایه‌های متراکم (Dense Layers)
• 21. توابع فعال‌سازی در کراس
• 22. کامپایل کردن مدل‌ها
• 23. آموزش مدل‌ها
• 24. ارزیابی مدل‌ها
• 25. پیش‌بینی با مدل‌های آموزش دیده
• 26. شبکه‌های عصبی کانولوشنال (CNN)
• 27. مقدمه‌ای بر CNN
• 28. لایه‌های کانولوشنال
• 29. لایه‌های پولینگ (Pooling Layers)
• 30. لایه‌های نرمال‌سازی دسته‌ای (Batch Normalization)
• 31. معماری‌های معروف CNN (مانند LeNet، AlexNet)
• 32. کاربرد CNN در تشخیص تصویر
• 33. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 34. مبانی RNN
• 35. حافظه در RNN
• 36. انواع RNN: LSTM و GRU
• 37. لایه‌های LSTM
• 38. لایه‌های GRU
• 39. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 40. مقدمه‌ای بر پردازش زبان طبیعی
• 41. نمایش کلمات (Word Embeddings)
• 42. Word2Vec
• 43. GloVe
• 44. کاربرد Embeddings در مدل‌های یادگیری عمیق
• 45. مدل‌های زبانی
• 46. شبکه‌های عصبی ترنسفورمر (Transformer Networks)
• 47. مقدمه‌ای بر ترنسفورمر
• 48. مکانیزم توجه (Attention Mechanism)
• 49. خود-توجهی (Self-Attention)
• 50. معماری ترنسفورمر
• 51. کاربرد ترنسفورمر در NLP
• 52. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 53. عناصر کلیدی یادگیری تقویتی
• 54. عامل، محیط، پاداش
• 55. سیاست و تابع ارزش
• 56. یادگیری Q (Q-Learning)
• 57. Deep Q-Networks (DQN)
• 58. کاربرد یادگیری تقویتی
• 59. مقدمه‌ای بر کاربردهای پیشرفته یادگیری عمیق
• 60. یادگیری انتقالی (Transfer Learning)
• 61. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 62. مولد شبکه‌های تخاصمی (GANs)
• 63. مقدمه‌ای بر GANs
• 64. مولد و ممیز
• 65. کاربرد GANs در تولید تصویر
• 66. خودرمزگذارها (Autoencoders)
• 67. مقدمه‌ای بر خودرمزگذارها
• 68. کدگذاری و رمزگشایی
• 69. کاربرد خودرمزگذارها در کاهش ابعاد
• 70. شبکه‌های گراف عصبی (GNNs)
• 71. مقدمه‌ای بر GNNs
• 72. عملیات انتشار در GNNs
• 73. کاربرد GNNs
• 74. یادگیری عمیق برای داده‌های سری زمانی
• 75. مدل‌سازی داده‌های سری زمانی با تنسور فلو
• 76. کاربرد در پیش‌بینی و تحلیل
• 77. مقدمه‌ای بر بهینه‌سازی در یادگیری عمیق
• 78. تکنیک‌های پیشرفته بهینه‌سازی
• 79. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 80. اعتبارسنجی متقابل (Cross-Validation)
• 81. روش‌های منظم‌سازی (Regularization Techniques)
• 82. کاهش بیش‌برازش (Overfitting)
• 83. مقدمه‌ای بر اخلاق و مسئولیت‌پذیری در هوش مصنوعی
• 84. سوگیری در داده‌ها و مدل‌ها
• 85. حریم خصوصی و امنیت داده‌ها
• 86. شفافیت و تفسیرپذیری مدل‌های هوش مصنوعی
• 87. کاربرد هوش مصنوعی در حوزه‌های مختلف (سلامت، مالی، صنعت)
• 88. نوآوری‌های اخیر در یادگیری عمیق
• 89. چالش‌های پیش رو در هوش مصنوعی
• 90. مسیر شغلی در حوزه هوش مصنوعی و یادگیری عمیق
• 91. جمع‌بندی و نگاه به آینده