دوره مقدمه‌ای بر محاسبات در مدل‌سازی شبکه‌های عصبی عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در مدل‌سازی شبکه‌های عصبی عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مبانی شبکه های عصبی
• 2. مفهوم نورون مصنوعی
• 3. توابع فعال‌سازی
• 4. لایه های شبکه عصبی
• 5. معماری های پایه شبکه عصبی
• 6. پس انتشار خطا
• 7. بهینه سازی گرادیان نزولی
• 8. نرخ یادگیری و تنظیم آن
• 9. مجموعه داده های آموزشی و اعتبارسنجی
• 10. تقسیم داده ها
• 11. پیش پردازش داده ها
• 12. نرمال سازی و استانداردسازی
• 13. مدل های رگرسیون خطی
• 14. مدل های رگرسیون لجستیک
• 15. طبقه‌بندی با شبکه های عصبی
• 16. معیارهای ارزیابی مدل های طبقه‌بندی
• 17. مقدمه ای بر شبکه های عصبی کانولوشنی (CNN)
• 18. لایه های کانولوشن
• 19. فیلترها و کرنل ها در CNN
• 20. لایه‌های پولینگ
• 21. معماری های معروف CNN
• 22. کاربرد CNN در پردازش تصویر
• 23. تشخیص اشیاء
• 24. تقسیم بندی تصویر
• 25. شبکه های عصبی بازگشتی (RNN)
• 26. حافظه کوتاه مدت در RNN
• 27. حافظه بلند مدت در RNN (LSTM)
• 28. شبکه های حافظه کوتاه مدت و بلند مدت (LSTM)
• 29. شبکه های حافظه کوتاه مدت و بلند مدت (GRU)
• 30. کاربرد RNN در پردازش زبان طبیعی
• 31. مدل های زبانی
• 32. ترجمه ماشینی
• 33. تولید متن
• 34. تحلیل احساسات
• 35. شبکه های عصبی ترانسفورمر
• 36. مکانیزم توجه (Attention Mechanism)
• 37. کاربرد ترانسفورمر در پردازش زبان طبیعی
• 38. ترانسفورمرهای بینایی (Vision Transformers)
• 39. یادگیری انتقال (Transfer Learning)
• 40. مدل های از پیش آموزش دیده
• 41. تنظیم دقیق (Fine-tuning)
• 42. روش های منظم سازی (Regularization)
• 43. کاهش برازش (Dropout)
• 44. منظم سازی L1 و L2
• 45. تکنیک های افزایش داده (Data Augmentation)
• 46. شبکه های مولد تخاصمی (GAN)
• 47. شبکه های مولد (Generator)
• 48. شبکه های ممیز (Discriminator)
• 49. آموزش GAN ها
• 50. کاربرد GAN ها در تولید تصویر
• 51. شبکه های عصبی گراف (GNN)
• 52. مفهوم گراف در یادگیری ماشین
• 53. لایه‌های GNN
• 54. کاربرد GNN در شبکه های اجتماعی
• 55. کاربرد GNN در شیمی و زیست شناسی
• 56. شبکه های عصبی عمیق در یادگیری تقویتی
• 57. مفهوم عامل (Agent) و محیط (Environment)
• 58. پاداش و جریمه
• 59. سیاست (Policy)
• 60. تابع ارزش (Value Function)
• 61. الگوریتم های یادگیری تقویتی
• 62. Q-Learning
• 63. Deep Q-Networks (DQN)
• 64. Policy Gradients
• 65. Actor-Critic Methods
• 66. کاربرد یادگیری تقویتی در رباتیک
• 67. کاربرد یادگیری تقویتی در بازی ها
• 68. مقدمه ای بر یادگیری نیمه نظارتی
• 69. روش های یادگیری نیمه نظارتی
• 70. کاربرد یادگیری نیمه نظارتی
• 71. مقدمه ای بر یادگیری خود نظارتی
• 72. روش های یادگیری خود نظارتی
• 73. کاربرد یادگیری خود نظارتی
• 74. بهینه سازی های پیشرفته در شبکه های عصبی
• 75. بهینه سازی های مبتنی بر مومنتوم
• 76. بهینه سازی های آدام (Adam)
• 77. بهینه سازی های RMSprop
• 78. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 79. جستجوی شبکه‌ای (Grid Search)
• 80. جستجوی تصادفی (Random Search)
• 81. بهینه سازی بیزی (Bayesian Optimization)
• 82. تفسیرپذیری در شبکه های عصبی (XAI)
• 83. روش های تفسیرپذیری
• 84. کاربرد تفسیرپذیری
• 85. ملاحظات اخلاقی در هوش مصنوعی
• 86. حریم خصوصی داده ها
• 87. سوگیری در مدل های هوش مصنوعی
• 88. مسئولیت پذیری در هوش مصنوعی
• 89. آینده شبکه های عصبی عمیق