دوره یادگیری عمیق کاربردی: از شبکه‌های عصبی تا مدل‌های زبانی پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق کاربردی: از شبکه‌های عصبی تا مدل‌های زبانی پیشرفته

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. یادگیری عمیق: انقلابی در هوش مصنوعی
• 5. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 6. نورون‌های مصنوعی و تابع فعال‌سازی
• 7. ساختار شبکه‌های عصبی: لایه‌ها و اتصالات
• 8. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 9. گرادیان کاهشی و بهینه‌سازی پارامترها
• 10. توابع هزینه و معیارها در شبکه‌های عصبی
• 11. تنظیم پارامترهای فرایند آموزش
• 12. بیش‌برازش و کم‌برازش: چالش‌های رایج
• 13. روش‌های تنظیم‌گری (Regularization)
• 14. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 15. پیاده‌سازی MLP با کتابخانه‌های پایتون
• 16. کاربرد MLP در مسائل طبقه‌بندی
• 17. کاربرد MLP در مسائل رگرسیون
• 18. شبکه‌های عصبی کانولوشنی (CNN)
• 19. لایه‌های کانولوشن و استخراج ویژگی
• 20. لایه‌های پولینگ و کاهش ابعاد
• 21. ساختار CNN برای پردازش تصویر
• 22. آموزش CNN برای تشخیص اشیاء
• 23. کاربرد CNN در تحلیل تصاویر پزشکی
• 24. شبکه‌های عصبی بازگشتی (RNN)
• 25. حافظه در شبکه‌های عصبی بازگشتی
• 26. انواع RNN: LSTM و GRU
• 27. کاربرد RNN در پردازش زبان طبیعی
• 28. تولید متن با استفاده از RNN
• 29. ترجمه ماشینی با شبکه‌های عصبی
• 30. شبکه‌های مولد تخاصمی (GAN)
• 31. معماری GAN: مولد و متمایزکننده
• 32. کاربرد GAN در تولید تصاویر واقع‌گرایانه
• 33. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 34. عناصر یادگیری تقویتی: عامل، محیط، پاداش
• 35. یادگیری Q-Learning عمیق
• 36. کاربرد DRL در بازی‌ها و رباتیک
• 37. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM)
• 38. ترانسفورمرها: معماری نوین در NLP
• 39. توجه (Attention Mechanism) در ترانسفورمرها
• 40. تکنیک‌های پیش‌پردازش داده‌های متنی
• 41. آموزش مدل‌های زبانی: پیش‌بینی کلمه بعدی
• 42. تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 43. کاربرد LLM در خلاصه‌سازی متن
• 44. کاربرد LLM در پاسخ به سوالات
• 45. کاربرد LLM در تولید کد
• 46. مباحث پیشرفته در شبکه‌های عصبی
• 47. یادگیری انتقالی (Transfer Learning)
• 48. شبکه‌های عصبی گراف (GNN)
• 49. پردازش داده‌های ساختاریافته با GNN
• 50. یادگیری خودنظارت شده (Self-Supervised Learning)
• 51. مباحث اخلاقی در هوش مصنوعی
• 52. سوگیری در داده‌ها و مدل‌های هوش مصنوعی
• 53. عدالت و شفافیت در هوش مصنوعی
• 54. امنیت و حریم خصوصی در هوش مصنوعی
• 55. هوش مصنوعی مسئولانه و پایدار
• 56. کاربرد هوش مصنوعی در صنعت
• 57. کاربرد هوش مصنوعی در سلامت
• 58. کاربرد هوش مصنوعی در آموزش
• 59. کاربرد هوش مصنوعی در مالی
• 60. هوش مصنوعی در زندگی روزمره
• 61. تکنیک‌های مهندسی ویژگی در یادگیری ماشین
• 62. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 63. انتخاب مدل و ارزیابی عملکرد
• 64. اعتبارسنجی متقابل (Cross-validation)
• 65. متریک‌های ارزیابی برای طبقه‌بندی
• 66. متریک‌های ارزیابی برای رگرسیون
• 67. پیاده‌سازی مدل‌های ساده یادگیری ماشین
• 68. رگرسیون خطی و لجستیک
• 69. ماشین‌های بردار پشتیبان (SVM)
• 70. درخت‌های تصمیم و جنگل‌های تصادفی
• 71. خوشه‌بندی: K-Means و DBSCAN
• 72. کاهش ابعاد: PCA و t-SNE
• 73. یادگیری عمیق برای پردازش سیگنال
• 74. یادگیری عمیق برای داده‌های سری زمانی
• 75. شبکه‌های عصبی گرافی کانولوشنی
• 76. کاربرد GCN در تحلیل شبکه‌های اجتماعی
• 77. مقدمه‌ای بر هوش مصنوعی مولد
• 78. تکنیک‌های تولید متن پیشرفته
• 79. تولید تصویر با مدل‌های پیشرفته
• 80. مدل‌های زبانی چندوجهی
• 81. کاربرد هوش مصنوعی در رباتیک هوشمند
• 82. پیشرفت‌های اخیر در هوش مصنوعی
• 83. آینده هوش مصنوعی و یادگیری ماشین
• 84. ملاحظات حقوقی و شرعی در هوش مصنوعی
• 85. چارچوب‌های نظارتی برای هوش مصنوعی
• 86. توسعه هوش مصنوعی در ایران
• 87. چالش‌های پیاده‌سازی هوش مصنوعی در کسب‌وکارها
• 88. مدیریت دانش با هوش مصنوعی
• 89. هوش مصنوعی و اتوماسیون فرایندها
• 90. استراتژی‌های پیاده‌سازی هوش مصنوعی
• 91. آینده شغلی در حوزه هوش مصنوعی
• 92. کاربرد هوش مصنوعی در کشف دارو
• 93. هوش مصنوعی در کشاورزی هوشمند
• 94. هوش مصنوعی در مدیریت شهری
• 95. جمع‌بندی مباحث یادگیری عمیق