دوره اصول بصری‌سازی داده برای درک ساختار شبکه‌های عصبی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول بصری‌سازی داده برای درک ساختار شبکه‌های عصبی

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بصری‌سازی داده در شبکه‌های عصبی
• 2. مبانی مفاهیم اساسی شبکه‌های عصبی
• 3. ساختار لایه‌های شبکه‌های عصبی
• 4. تابع فعال‌سازی و نقش آن در شبکه‌ها
• 5. فرآیند آموزش و پس‌انتشار خطا
• 6. بهینه‌سازی پارامترها در شبکه‌های عصبی
• 7. انواع شبکه‌های عصبی پرکاربرد
• 8. شبکه‌های عصبی کانولوشنی (CNN)
• 9. کاربرد CNN در پردازش تصویر
• 10. شبکه‌های عصبی بازگشتی (RNN)
• 11. کاربرد RNN در پردازش زبان طبیعی
• 12. شبکه‌های عصبی ترنسفورمر
• 13. بصری‌سازی لایه‌های اولیه CNN
• 14. نمایش وزن‌ها و بایاس‌ها در لایه‌های کانولوشنی
• 15. بصری‌سازی فعال‌سازی‌های لایه‌های CNN
• 16. نقش نقشه‌های حرارتی (Heatmaps) در درک CNN
• 17. تکنیک‌های بصری‌سازی لایه‌های میانی CNN
• 18. بصری‌سازی ویژگی‌های استخراج شده توسط CNN
• 19. نمایش بردارهای فعال‌سازی (Activation Vectors)
• 20. فیلترهای آموخته شده در CNN
• 21. بصری‌سازی خروجی لایه‌های متراکم (Dense Layers)
• 22. بصری‌سازی فرآیند پیش‌بینی در CNN
• 23. بصری‌سازی لایه‌های RNN و حافظه
• 24. نمایش حالت‌های پنهان (Hidden States) در RNN
• 25. بصری‌سازی ورودی‌های متوالی در RNN
• 26. نمایش گرادیان‌ها در طول زمان در RNN
• 27. بصری‌سازی مکانیزم توجه (Attention Mechanism)
• 28. کاربرد توجه در ترنسفورمرها
• 29. بصری‌سازی ماتریس‌های توجه در ترنسفورمر
• 30. نمایش بردارهای جاسازی (Embeddings) کلمات
• 31. بصری‌سازی فضای جاسازی کلمات
• 32. تکنیک‌های کاهش ابعاد برای بصری‌سازی
• 33. تحلیل مولفه‌های اصلی (PCA) برای بصری‌سازی
• 34. t-SNE برای بصری‌سازی داده‌های با ابعاد بالا
• 35. UMAP برای بصری‌سازی ساختارهای محلی و جهانی
• 36. بصری‌سازی داده‌های ورودی به شبکه
• 37. نمایش توزیع داده‌های آموزشی
• 38. بصری‌سازی داده‌های برچسب‌گذاری شده
• 39. اهمیت پاکسازی داده‌ها و بصری‌سازی آن
• 40. بصری‌سازی داده‌های نامتعادل
• 41. روش‌های ارزیابی مدل و بصری‌سازی نتایج
• 42. ماتریس درهم‌ریختگی (Confusion Matrix)
• 43. منحنی دقت-بازیابی (Precision-Recall Curve)
• 44. منحنی مشخصه عملکرد گیرنده (ROC Curve)
• 45. بصری‌سازی خطاهای مدل
• 46. تحلیل حساسیت مدل به تغییرات ورودی
• 47. تکنیک‌های LIME و SHAP برای توضیح‌پذیری مدل
• 48. بصری‌سازی اهمیت ویژگی‌ها (Feature Importance)
• 49. تکنیک‌های بصری‌سازی لایه‌های پنهان در شبکه‌های عمیق
• 50. نمایش مسیرهای فعال‌سازی (Activation Paths)
• 51. بصری‌سازی الگوهای یادگرفته شده توسط نورون‌ها
• 52. بصری‌سازی تصمیمات مدل در فضای ویژگی
• 53. کاربرد بصری‌سازی در عیب‌یابی شبکه‌های عصبی
• 54. شناسایی بیش‌برازش (Overfitting) از طریق بصری‌سازی
• 55. شناسایی کم‌برازش (Underfitting) از طریق بصری‌سازی
• 56. بصری‌سازی فرآیند همگرایی (Convergence)
• 57. مقایسه بصری مدل‌های مختلف
• 58. بصری‌سازی شبکه‌های مولد تخاصمی (GANs)
• 59. نمایش نمونه‌های تولید شده توسط GAN
• 60. بصری‌سازی فرآیند آموزش GAN
• 61. بصری‌سازی تفاوت بین داده واقعی و تولیدی
• 62. کاربرد بصری‌سازی در شبکه‌های عصبی گراف (GNN)
• 63. نمایش ساختار گراف و ویژگی‌های گره‌ها
• 64. بصری‌سازی انتشار اطلاعات در GNN
• 65. نمایش بردارهای گره (Node Embeddings)
• 66. بصری‌سازی در شبکه‌های عصبی برای پیش‌بینی سری‌های زمانی
• 67. نمایش داده‌های سری زمانی و الگوهای آن
• 68. بصری‌سازی پیش‌بینی‌های مدل برای سری‌های زمانی
• 69. تحلیل خطای پیش‌بینی در سری‌های زمانی
• 70. بصری‌سازی در شبکه‌های عصبی برای پردازش سیگنال
• 71. نمایش طیف‌نگاره (Spectrogram) سیگنال‌ها
• 72. بصری‌سازی ویژگی‌های استخراج شده از سیگنال
• 73. کاربرد بصری‌سازی در شبکه‌های عصبی برای رباتیک
• 74. نمایش وضعیت ربات و محیط آن
• 75. بصری‌سازی مسیر برنامه‌ریزی شده
• 76. بصری‌سازی در شبکه‌های عصبی برای پزشکی
• 77. نمایش تصاویر پزشکی و تحلیل آن‌ها
• 78. بصری‌سازی نتایج تشخیص مدل
• 79. بصری‌سازی در شبکه‌های عصبی برای امور مالی
• 80. نمایش داده‌های مالی و الگوهای بازار
• 81. بصری‌سازی پیش‌بینی‌های قیمت
• 82. ابزارهای نرم‌افزاری برای بصری‌سازی شبکه‌های عصبی
• 83. TensorBoard برای بصری‌سازی TensorFlow
• 84. Weights & Biases برای ردیابی آزمایش‌ها
• 85. Matplotlib و Seaborn برای نمودارهای عمومی
• 86. Plotly برای بصری‌سازی تعاملی
• 87. کتابخانه‌های تخصصی بصری‌سازی شبکه‌های عصبی
• 88. اصول طراحی بصری‌سازی‌های موثر
• 89. انتخاب نمودار مناسب برای هر نوع داده
• 90. اجتناب از پیچیدگی‌های غیرضروری در بصری‌سازی
• 91. ارتباط بصری‌سازی با درک ساختار شبکه‌های عصبی
• 92. نقش بصری‌سازی در تحقیقات علمی
• 93. آینده بصری‌سازی در شبکه‌های عصبی
• 94. بصری‌سازی شبکه‌های عصبی عمیق و پیچیده