دوره مبانی شبکه‌های عصبی و یادگیری عمیق؛ از تئوری تا پیاده‌سازی کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی و یادگیری عمیق؛ از تئوری تا پیاده‌سازی کاربردی

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری ماشین و پردازش داده‌ها

📋 سرفصل‌های دوره

• 1. مبانی و تاریخچه شبکه‌های عصبی مصنوعی
• 2. ساختار نورون‌های زیستی و مدل‌سازی ریاضی آن‌ها
• 3. معرفی پرسپترون و محدودیت‌های عملی آن
• 4. الگوریتم پرسپترون و تابع فعال‌ساز پله‌ای
• 5. مفهوم تابع هزینه و بهینه‌سازی در شبکه‌های عصبی
• 6. الگوریتم پس‌انتشار خطا و مشتق‌گیری زنجیره‌ای
• 7. گرادیان کاهشی و انواع روش‌های به‌روزرسانی وزن‌ها
• 8. توابع فعال‌ساز غیرخطی مانند سیگموئید و تانژانت هیپربولیک
• 9. چالش‌های یادگیری در شبکه‌های عمیق و محو شدگی گرادیان
• 10. تابع فعال‌ساز ReLU و اصلاحات آن
• 11. روش‌های مقداردهی اولیه وزن‌ها و تأثیر آن بر همگرایی
• 12. تنظیم مدل و مقابله با بیش‌برازش با روش‌های Dropout
• 13. تکنیک‌های نرمال‌سازی دسته‌ای برای افزایش پایداری آموزش
• 14. معماری شبکه‌های عصبی پیش‌خور چندلایه
• 15. مقدمه‌ای بر یادگیری عمیق و تمایز آن با یادگیری کلاسیک
• 16. ساختار شبکه‌های عصبی کانولوشنی و لایه‌های استخراج ویژگی
• 17. عملیات کانولوشن و نگاشت‌های ویژگی در تصاویر
• 18. لایه‌های ادغام یا Pooling و کاهش ابعاد داده‌ها
• 19. معماری‌های مشهور در شبکه های عصبی کانولوشنی
• 20. کاربرد شبکه‌های عصبی در پردازش و تحلیل تصاویر
• 21. مفاهیم پایه در پردازش زبان طبیعی و مدل‌سازی متن
• 22. ساختار شبکه‌های عصبی بازگشتی و پردازش داده‌های توالی‌محور
• 23. مشکل حافظه بلندمدت در شبکه‌های بازگشتی ساده
• 24. معماری حافظه طولانی کوتاه مدت LSTM
• 25. شبکه‌های عصبی دروازه‌دار GRU
• 26. مکانیزم توجه و نقش آن در بهبود مدل‌های توالی
• 27. معرفی مدل‌های ترنسفورمر و تحول در یادگیری عمیق
• 28. رمزگذاری موقعیتی و لایه های توجه چندسر
• 29. آموزش شبکه‌های عصبی با استفاده از کتابخانه‌های استاندارد
• 30. مدیریت داده‌ها و پیش‌پردازش برای ورودی مدل‌های عمیق
• 31. پیاده‌سازی یک شبکه عصبی ساده از صفر بدون کتابخانه‌های آماده
• 32. بررسی معیارهای ارزیابی مدل‌های یادگیری عمیق
• 33. روش‌های بصری‌سازی وزن‌ها و خروجی‌های لایه‌های میانی
• 34. بهینه‌سازهای پیشرفته مانند Adam و RMSprop
• 35. کاربرد یادگیری عمیق در تحلیل داده‌های سری زمانی
• 36. مفاهیم پایه در مدل‌های مولد و شبکه‌های رقابتی
• 37. اخلاق در هوش مصنوعی و اهمیت داده‌های آموزشی سالم
• 38. امنیت در مدل‌های یادگیری عمیق و مقابله با حملات خصمانه
• 39. ملاحظات پیاده‌سازی مدل‌ها در محیط‌های عملیاتی و سرورها
• 40. بهینه‌سازی مدل برای اجرا روی سخت‌افزارهای محدود
• 41. آینده هوش مصنوعی و مسیرهای توسعه فناوری در کشور
• 42. پروژه عملی: طراحی و آموزش یک شبکه عصبی برای دسته‌بندی داده‌ها