دوره پیاده‌سازی شبکه‌های عصبی با پایتون و NumPy همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی شبکه‌های عصبی با پایتون و NumPy

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و شبکه‌های عصبی
• 2. مفاهیم اساسی شبکه‌های عصبی
• 3. ساختار یک نورون مصنوعی
• 4. تابع فعال‌سازی: اهمیت و انواع
• 5. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 6. لایه ورودی، لایه‌های پنهان و لایه خروجی
• 7. پس‌انتشار خطا (Backpropagation)
• 8. گرادیان کاهشی (Gradient Descent)
• 9. بهینه‌سازها: SGD، Adam، RMSprop
• 10. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 11. مدل‌سازی رگرسیون خطی با شبکه‌های عصبی
• 12. مدل‌سازی رگرسیون لجستیک با شبکه‌های عصبی
• 13. طبقه‌بندی با شبکه‌های عصبی
• 14. شبکه‌های عصبی چندلایه (MLP)
• 15. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 16. نرمال‌سازی و استانداردسازی داده‌ها
• 17. مدیریت داده‌های گمشده
• 18. تکنیک‌های افزایش داده (Data Augmentation)
• 19. تابع هزینه (Loss Function) و انواع آن
• 20. تنظیم فراپارامترها (Hyperparameter Tuning)
• 21. اعتبارسنجی متقابل (Cross-validation)
• 22. جلوگیری از بیش‌برازش (Overfitting)
• 23. روش‌های منظم‌سازی (Regularization): L1 و L2
• 24. قطع کردن (Dropout)
• 25. معماری شبکه‌های عصبی کانولوشنی (CNN)
• 26. لایه کانولوشن و فیلترها
• 27. عمق، عرض و ارتفاع در CNN
• 28. لایه‌های تجمیع (Pooling Layers)
• 29. CNN برای تشخیص تصویر
• 30. CNN برای طبقه‌بندی تصویر
• 31. CNN برای تشخیص اشیاء
• 32. معماری شبکه‌های عصبی بازگشتی (RNN)
• 33. حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 34. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 35. RNN برای پردازش زبان طبیعی (NLP)
• 36. RNN برای تحلیل سری‌های زمانی
• 37. RNN برای تولید متن
• 38. مدل‌های زبانی آماری
• 39. استخراج ویژگی از متن
• 40. تعبیه‌سازی کلمات (Word Embeddings): Word2Vec
• 41. تعبیه‌سازی کلمات: GloVe
• 42. تعبیه‌سازی کلمات: FastText
• 43. مدل‌های ترنسفورمر (Transformer Models)
• 44. مکانیزم توجه (Attention Mechanism)
• 45. ترنسفورمر برای ترجمه ماشینی
• 46. ترنسفورمر برای خلاصه‌سازی متن
• 47. مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 48. BERT و کاربردهای آن
• 49. GPT و کاربردهای آن
• 50. شبکه‌های عصبی مولد (GANs)
• 51. معماری مولد و ممیز
• 52. کاربردهای GANs در تولید تصویر
• 53. GANs برای افزایش کیفیت تصویر
• 54. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 55. خودرمزگذارها برای کاهش ابعاد
• 56. خودرمزگذارها برای تشخیص ناهنجاری
• 57. خودرمزگذارها برای تولید تصویر
• 58. شبکه‌های عصبی گراف (GNNs)
• 59. پردازش داده‌های ساختاریافته روی گراف
• 60. کاربردهای GNNs در شبکه‌های اجتماعی
• 61. GNNs برای پیش‌بینی خواص مولکولی
• 62. شبکه‌های عصبی برای یادگیری تقویتی (RL)
• 63. محیط، عامل و پاداش در RL
• 64. الگوریتم‌های یادگیری تقویتی
• 65. DQN (Deep Q-Network)
• 66. Actor-Critic Methods
• 67. RL برای بازی‌ها
• 68. RL برای رباتیک
• 69. RL برای بهینه‌سازی سیستم‌ها
• 70. پیاده‌سازی شبکه‌های عصبی با NumPy
• 71. ماتریس‌ها و عملیات ماتریسی در NumPy
• 72. پیاده‌سازی یک لایه عصبی با NumPy
• 73. پیاده‌سازی یک شبکه عصبی پیشخور با NumPy
• 74. پیاده‌سازی تابع فعال‌سازی با NumPy
• 75. پیاده‌سازی پس‌انتشار خطا با NumPy
• 76. پیاده‌سازی گرادیان کاهشی با NumPy
• 77. تنظیمات اولیه شبکه عصبی
• 78. شبیه‌سازی داده‌های ساده برای تست
• 79. آموزش مدل با داده‌های شبیه‌سازی شده
• 80. ارزیابی عملکرد مدل
• 81. دیباگ کردن و رفع اشکال در شبکه‌های عصبی
• 82. بهینه‌سازی پیاده‌سازی NumPy
• 83. استفاده از GPU برای تسریع محاسبات
• 84. مقدمه‌ای بر کتابخانه‌های یادگیری عمیق
• 85. معرفی TensorFlow
• 86. معرفی PyTorch
• 87. مقایسه TensorFlow و PyTorch
• 88. ساخت یک مدل ساده با TensorFlow/Keras
• 89. ساخت یک مدل ساده با PyTorch
• 90. کاربرد شبکه‌های عصبی در مسائل اقتصادی مبتنی بر چارچوب اسلامی
• 91. مدل‌سازی ریسک در نظام بانکداری بدون ربا
• 92. تحلیل داده‌های بازار با رویکرد اسلامی
• 93. کاربرد شبکه‌های عصبی در پیش‌بینی تقاضا
• 94. مدل‌سازی قراردادهای مالی اسلامی
• 95. بهینه‌سازی پرتفوی سرمایه‌گذاری با رویکرد فقهی
• 96. شبکه‌های عصبی و تحلیل رفتار مصرف‌کننده
• 97. کاربرد در مدیریت زنجیره تأمین اسلامی
• 98. تحلیل داده‌های سلامت با رعایت موازین شرعی
• 99. کاربرد در آموزش مجازی و ارتقاء دانش
• 100. مدل‌سازی پیشرفت تحصیلی دانش‌آموزان