دوره شبکه‌های کیو عمیق: از تئوری تا پیاده‌سازی در دنیای واقعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های کیو عمیق: از تئوری تا پیاده‌سازی در دنیای واقعی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: Deep Q-Networks (DQN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 2. مبانی یادگیری ماشین
• 3. مفاهیم کلیدی شبکه‌های عصبی
• 4. توابع فعال‌سازی و نقش آن‌ها
• 5. تابع هزینه و بهینه‌سازی
• 6. گرادیان کاهشی و انواع آن
• 7. پس‌انتشار خطا (Backpropagation)
• 8. معماری‌های پایه شبکه‌های عصبی
• 9. شبکه‌های عصبی پرسپترون چندلایه
• 10. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 11. نرمال‌سازی داده‌ها
• 12. افزایش داده (Data Augmentation)
• 13. تنظیم پارامترهای فراپارامتر (Hyperparameter Tuning)
• 14. اعتبارسنجی متقابل (Cross-Validation)
• 15. شبکه‌های عصبی کانولوشنال (CNN)
• 16. مفاهیم لایه‌های کانولوشن و پولینگ
• 17. کاربرد CNN در بینایی ماشین
• 18. شبکه‌های عصبی بازگشتی (RNN)
• 19. مفاهیم حافظه در RNN
• 20. کاربرد RNN در پردازش زبان طبیعی
• 21. شبکه‌های حافظه کوتاه‌مدت بلند (LSTM)
• 22. شبکه‌های واحد بازگشتی (GRU)
• 23. شبکه‌های عصبی ترانسفورمر (Transformer)
• 24. مکانیزم توجه (Attention Mechanism)
• 25. کاربرد ترانسفورمر در پردازش زبان طبیعی
• 26. یادگیری تقویتی (Reinforcement Learning)
• 27. مفاهیم عامل، محیط، پاداش
• 28. الگوریتم‌های یادگیری تقویتی Q-Learning
• 29. Deep Q-Networks (DQN)
• 30. Actor-Critic Methods
• 31. یادگیری انتقالی (Transfer Learning)
• 32. شبکه‌های مولد تخاصمی (GAN)
• 33. معماری GAN
• 34. کاربرد GAN در تولید داده
• 35. شبکه‌های عصبی گراف (GNN)
• 36. مبانی شبکه‌های عصبی گراف
• 37. کاربرد GNN در تحلیل داده‌های شبکه‌ای
• 38. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 39. انواع خودرمزگذارها
• 40. کاربرد خودرمزگذار در کاهش ابعاد
• 41. استخراج ویژگی با شبکه‌های عصبی
• 42. یادگیری عمیق برای طبقه‌بندی تصاویر
• 43. یادگیری عمیق برای تشخیص اشیاء
• 44. یادگیری عمیق برای قطعه‌بندی تصاویر
• 45. یادگیری عمیق برای تولید متن
• 46. یادگیری عمیق برای ترجمه ماشینی
• 47. یادگیری عمیق برای تحلیل احساسات
• 48. یادگیری عمیق برای خلاصه‌سازی متن
• 49. یادگیری عمیق در سیستم‌های توصیه‌گر
• 50. یادگیری عمیق در تشخیص ناهنجاری
• 51. یادگیری عمیق در مدل‌سازی سری‌های زمانی
• 52. یادگیری عمیق در پردازش سیگنال
• 53. یادگیری عمیق در رباتیک
• 54. یادگیری عمیق در تشخیص پزشکی
• 55. یادگیری عمیق در تحلیل داده‌های مالی
• 56. ملاحظات اخلاقی در هوش مصنوعی
• 57. بی‌طرفی و عدالت در مدل‌های هوش مصنوعی
• 58. امنیت مدل‌های یادگیری عمیق
• 59. روش‌های دفاع در برابر حملات adversarial
• 60. کاربرد یادگیری عمیق در اینترنت اشیاء
• 61. پیاده‌سازی شبکه‌های عصبی با TensorFlow
• 62. پیاده‌سازی شبکه‌های عصبی با PyTorch
• 63. بهینه‌سازی عملکرد مدل‌ها
• 64. مواجهه با داده‌های نامتوازن
• 65. تکنیک‌های تنظیم‌گرما (Regularization)
• 66. مدیریت پیچیدگی مدل
• 67. یادگیری عمیق توزیع‌شده
• 68. روش‌های آموزش موازی
• 69. آموزش بر روی سخت‌افزارهای شتاب‌دهنده
• 70. مبانی محاسبات کوانتومی برای یادگیری عمیق
• 71. شبکه‌های عصبی کوانتومی
• 72. کاربرد یادگیری عمیق در علوم مواد
• 73. یادگیری عمیق در شبیه‌سازی‌های علمی
• 74. مبانی یادگیری فدرال (Federated Learning)
• 75. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 76. شبکه‌های عصبی برای گراف‌های جهت‌دار
• 77. یادگیری عمیق در تحلیل شبکه‌های اجتماعی
• 78. مدل‌سازی زبان با استفاده از ترانسفورمرهای پیش‌آموزش‌داده‌شده
• 79. کاربرد BERT و GPT
• 80. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌داده‌شده
• 81. توسعه مدل‌های سفارشی
• 82. مبانی یادگیری فعال (Active Learning)
• 83. کاربرد یادگیری فعال در کاهش نیاز به داده برچسب‌دار
• 84. شبکه‌های عصبی برای داده‌های سه بعدی
• 85. یادگیری عمیق در واقعیت مجازی و افزوده
• 86. روش‌های ارزیابی مدل‌های یادگیری عمیق
• 87. تحلیل خطا و اشکال‌زدایی مدل‌ها
• 88. مبانی یادگیری چندوظیفه‌ای (Multi-task Learning)
• 89. کاربرد یادگیری چندوظیفه‌ای در افزایش کارایی
• 90. شبکه‌های عصبی برای داده‌های اسپکتروگرافیک
• 91. یادگیری عمیق در علوم زیستی
• 92. مبانی یادگیری نیمه‌نظارتی (Semi-supervised Learning)
• 93. کاربرد یادگیری نیمه‌نظارتی در محیط‌های با داده کم
• 94. شبکه‌های عصبی مولد برای داده‌های متنی
• 95. روش‌های بهبود پایداری آموزش GAN
• 96. کاربرد یادگیری عمیق در تحلیل آب‌وهوا
• 97. مبانی یادگیری افزایشی (Incremental Learning)
• 98. کاربرد یادگیری افزایشی برای مدل‌های پویا
• 99. شبکه‌های عصبی برای داده‌های زمان-مکان (Spatio-temporal)
• 100. یادگیری عمیق در حمل‌ونقل هوشمند