دوره یادگیری عمیق با TensorFlow و Keras: ساخت شبکه‌های عصبی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق با TensorFlow و Keras: ساخت شبکه‌های عصبی

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی
• 2. مفاهیم پایه شبکه‌های عصبی مصنوعی
• 3. مروری بر کتابخانه TensorFlow
• 4. آشنایی با Keras و معماری آن
• 5. نصب و راه‌اندازی محیط توسعه
• 6. اولین شبکه عصبی ساده: رگرسیون خطی
• 7. تنظیم پارامترهای مدل: تابع هزینه
• 8. بهینه‌سازی مدل: الگوریتم‌های گرادیان کاهشی
• 9. تنظیم نرخ یادگیری
• 10. مفهوم پس‌انتشار خطا (Backpropagation)
• 11. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 12. توابع فعال‌سازی: ReLU، Sigmoid، Tanh
• 13. طبقه‌بندی دودویی با شبکه‌های عصبی
• 14. تابع فعال‌سازی Softmax برای طبقه‌بندی چندکلاسه
• 15. تنظیمات مدل: تعداد لایه‌ها و نورون‌ها
• 16. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 17. تکنیک‌های منظم‌سازی (Regularization)
• 18. توقف زودهنگام (Early Stopping)
• 19. تنظیم‌کننده‌های L1 و L2
• 20. شبکه‌های عصبی کانولوشنی (CNN)
• 21. لایه‌های کانولوشن و استخراج ویژگی
• 22. لایه‌های Pooling و کاهش ابعاد
• 23. معماری‌های معروف CNN: LeNet-5
• 24. معماری‌های معروف CNN: AlexNet
• 25. معماری‌های معروف CNN: VGGNet
• 26. معماری‌های معروف CNN: ResNet
• 27. کاربرد CNN در تشخیص تصویر
• 28. پردازش داده‌های تصویری: پیش‌پردازش
• 29. تکنیک‌های افزایش داده (Data Augmentation)
• 30. طبقه‌بندی تصاویر با CNN
• 31. تشخیص اشیاء با CNN
• 32. شبکه‌های عصبی بازگشتی (RNN)
• 33. مفهوم حافظه در RNN
• 34. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 35. شبکه‌های LSTM و GRU
• 36. پردازش دنباله‌ها با RNN
• 37. تولید متن با RNN
• 38. ترجمه ماشینی با RNN
• 39. شبکه‌های عصبی ترنسفورمر (Transformer)
• 40. مکانیسم توجه (Attention Mechanism)
• 41. معماری ترنسفورمر برای NLP
• 42. مدل‌های زبانی پیش‌آموزش‌دیده: BERT
• 43. مدل‌های زبانی پیش‌آموزش‌دیده: GPT
• 44. کاربرد ترنسفورمر در بینایی ماشین
• 45. یادگیری تقویتی (Reinforcement Learning)
• 46. مفاهیم عامل، محیط، پاداش
• 47. الگوریتم‌های Q-Learning
• 48. Deep Q-Networks (DQN)
• 49. عوامل Policy Gradient
• 50. کاربرد یادگیری تقویتی در رباتیک
• 51. کاربرد یادگیری تقویتی در بازی‌ها
• 52. یادگیری انتقالی (Transfer Learning)
• 53. استفاده از مدل‌های پیش‌آموزش‌دیده
• 54. تنظیم دقیق (Fine-tuning) مدل‌ها
• 55. معماری‌های از پیش آموزش‌دیده برای بینایی ماشین
• 56. کاربرد یادگیری انتقالی در NLP
• 57. مدل‌های تولیدی (Generative Models)
• 58. شبکه‌های مولد تخاصمی (GAN)
• 59. آموزش GAN
• 60. کاربرد GAN در تولید تصویر
• 61. کاربرد GAN در افزایش داده
• 62. خودرمزگذارها (Autoencoders)
• 63. خودرمزگذارها کاهش‌دهنده ابعاد
• 64. خودرمزگذارها حذف نویز
• 65. خودرمزگذارها تولید تصویر
• 66. شبکه‌های عصبی گراف (GNN)
• 67. مفاهیم گراف و گره‌ها
• 68. کاربرد GNN در شبکه‌های اجتماعی
• 69. کاربرد GNN در مدل‌سازی مولکولی
• 70. شبکه‌های عصبی در داده‌های سری زمانی
• 71. پیش‌بینی سری‌های زمانی با LSTM
• 72. پیش‌بینی سری‌های زمانی با ترنسفورمر
• 73. تشخیص ناهنجاری در سری‌های زمانی
• 74. مفاهیم پیشرفته در TensorFlow
• 75. تکنیک‌های توزیع آموزش
• 76. مدیریت حافظه و بهینه‌سازی عملکرد
• 77. TensorFlow Extended (TFX)
• 78. TensorFlow Lite برای دستگاه‌های موبایل
• 79. TensorFlow.js برای مرورگرهای وب
• 80. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 81. یادگیری خودنظارتی (Self-Supervised Learning)
• 82. تفسیرپذیری مدل‌های یادگیری عمیق (XAI)
• 83. ارزیابی مدل‌های یادگیری عمیق
• 84. متریک‌های ارزیابی برای طبقه‌بندی
• 85. متریک‌های ارزیابی برای رگرسیون
• 86. متریک‌های ارزیابی برای تشخیص اشیاء
• 87. اصول اخلاقی در هوش مصنوعی
• 88. حریم خصوصی و امنیت داده‌ها
• 89. سوگیری در مدل‌های هوش مصنوعی
• 90. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 91. آینده یادگیری عمیق و روندهای نوظهور
• 92. کاربرد یادگیری عمیق در علم و صنعت
• 93. خاتمه و جمع‌بندی مباحث