دوره بهینه‌سازی شبکه‌های عصبی برای تعاملات عامل‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی شبکه‌های عصبی برای تعاملات عامل‌ها

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر شبکه های عصبی و یادگیری ماشین
• 2. مبانی نظری شبکه های عصبی مصنوعی
• 3. انواع معماری های شبکه عصبی
• 4. شبکه های عصبی پرسپترون چندلایه
• 5. توابع فعال سازی در شبکه های عصبی
• 6. تابع هزینه و معیارهای ارزیابی
• 7. بهینه سازی با استفاده از گرادیان کاهشی
• 8. الگوریتم های بهینه سازی مبتنی بر گرادیان
• 9. تنظیم نرخ یادگیری در شبکه های عصبی
• 10. روش های تنظیم نرخ یادگیری تطبیقی
• 11. نرمال سازی دسته ای (Batch Normalization)
• 12. تنظیم کننده ها (Regularization) و کاهش بیش برازش
• 13. روش های حذف تصادفی (Dropout)
• 14. شبکه های عصبی کانولوشنی (CNN)
• 15. معماری های پایه CNN
• 16. لایه های کانولوشن و پولینگ
• 17. کاربرد CNN در پردازش تصویر
• 18. شبکه های عصبی بازگشتی (RNN)
• 19. مبانی نظری RNN
• 20. حافظه کوتاه مدت و بلند مدت در RNN
• 21. شبکه های حافظه طولانی کوتاه مدت (LSTM)
• 22. واحدهای بازگشتی دروازه دار (GRU)
• 23. کاربرد RNN در پردازش زبان طبیعی
• 24. مدل های زبانی آماری
• 25. مدل های زبانی عصبی
• 26. تبدیل کننده ها (Transformers)
• 27. معماری ترنسفورمر و مکانیزم توجه
• 28. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 29. یادگیری انتقالی (Transfer Learning)
• 30. تنظیم دقیق (Fine-tuning) مدل های پیش آموزش دیده
• 31. استفاده از مجموعه داده های بزرگ
• 32. جمع آوری و پیش پردازش داده ها
• 33. مهندسی ویژگی در شبکه های عصبی
• 34. بهینه سازی معماری شبکه عصبی
• 35. جستجوی معماری عصبی (NAS)
• 36. بهینه سازی های سخت افزاری برای شبکه های عصبی
• 37. پردازش موازی در آموزش شبکه های عصبی
• 38. استفاده از GPU و TPU
• 39. توزیع آموزش بر روی چندین دستگاه
• 40. تکنیک های کوانتیزاسیون شبکه های عصبی
• 41. فشرده سازی مدل های عصبی
• 42. حذف پارامترهای غیرضروری
• 43. شبکه های عصبی مولد (GANs)
• 44. مبانی نظری GANs
• 45. معماری مولد و متمایز کننده
• 46. کاربرد GANs در تولید تصویر
• 47. بهینه سازی تعاملات عامل ها
• 48. مقدمه ای بر یادگیری تقویتی
• 49. مبانی نظری یادگیری تقویتی
• 50. عامل، محیط، پاداش
• 51. روش های یادگیری تقویتی مبتنی بر ارزش
• 52. روش های یادگیری تقویتی مبتنی بر سیاست
• 53. الگوریتم های Actor-Critic
• 54. یادگیری تقویتی عمیق (DQN)
• 55. کاربرد DQN در بازی ها
• 56. یادگیری تقویتی چند عاملی (MARL)
• 57. مدل های همکاری عامل ها
• 58. مدل های رقابت عامل ها
• 59. مدل های مختلط همکاری و رقابت
• 60. اقتصاد رفتاری عامل ها
• 61. تئوری بازی ها و کاربرد آن در تعاملات عامل ها
• 62. نظریه مطلوبیت و تصمیم گیری عامل ها
• 63. مدل های تصمیم گیری عامل ها در شرایط عدم قطعیت
• 64. کاربرد یادگیری تقویتی در بهینه سازی سیستم ها
• 65. بهینه سازی ترافیک با عامل های هوشمند
• 66. مدیریت منابع با عامل های هوشمند
• 67. سیستم های توصیه گر مبتنی بر عامل
• 68. شبیه سازی تعاملات پیچیده اجتماعی
• 69. مدل سازی رفتار مصرف کننده با عامل ها
• 70. مدل سازی رفتار بازار با عامل ها
• 71. بهینه سازی استراتژی های کسب و کار
• 72. آموزش عامل ها برای بازی های استراتژیک
• 73. یادگیری قراردادهای هوشمند برای تعاملات عامل ها
• 74. ملاحظات امنیتی در تعاملات عامل های هوشمند
• 75. حفاظت از داده ها در سیستم های چند عاملی
• 76. مقاومت در برابر حملات به عامل ها
• 77. طراحی عامل های اخلاقی و مسئول
• 78. مبانی اخلاق در هوش مصنوعی
• 79. مسئولیت پذیری عامل ها
• 80. شفافیت در تصمیم گیری عامل ها
• 81. تفسیرپذیری مدل های عصبی
• 82. تکنیک های تفسیرپذیری
• 83. کاربرد تفسیرپذیری در اطمینان از انطباق
• 84. ارزیابی عملکرد عامل ها در سناریوهای واقعی
• 85. بهبود پایداری و قابلیت اطمینان عامل ها
• 86. مدیریت خطا و بازیابی در سیستم های چند عاملی
• 87. پروتکل های ارتباطی بین عامل ها
• 88. استانداردهای تعامل عامل ها
• 89. ارزیابی اقتصادی تعاملات عامل ها
• 90. بررسی هزینه و فایده سیستم های چند عاملی
• 91. مدل سازی بازده سرمایه گذاری
• 92. مطالعات موردی در صنعت
• 93. کاربرد در حوزه بهداشت و درمان
• 94. کاربرد در حوزه مالی
• 95. کاربرد در حوزه تولید و صنعت
• 96. کاربرد در حوزه حمل و نقل
• 97. کاربرد در حوزه انرژی
• 98. کاربرد در حوزه آموزش
• 99. کاربرد در حوزه خدمات عمومی
• 100. آینده پژوهی در تعاملات عامل ها