دوره آموزش کاربردی یادگیری عمیق با استفاده از TensorFlow و Keras در محیط Anaconda همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی یادگیری عمیق با استفاده از TensorFlow و Keras در محیط Anaconda

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی و تاریخچه هوش مصنوعی و یادگیری ماشین
• 2. آشنایی با اکوسیستم پایتون و نصب توزیع آناکوندا
• 3. مدیریت محیط‌های مجازی در آناکوندا و مدیریت بسته‌ها
• 4. مبانی کار با کتابخانه نامپای برای محاسبات عددی
• 5. کار با آرایه‌های چندبعدی و عملیات برداری
• 6. مقدمه‌ای بر کتابخانه پانداس برای پیش‌پردازش داده‌ها
• 7. پاک‌سازی و آماده‌سازی داده‌ها برای مدل‌های هوش مصنوعی
• 8. تجسم داده‌ها با استفاده از متپلات‌لیب و سی‌بورن
• 9. مفاهیم پایه شبکه عصبی مصنوعی و پرسپترون
• 10. توابع فعال‌ساز و نقش آن‌ها در شبکه‌های عصبی
• 11. آشنایی با ساختار و قابلیت‌های کتابخانه تنسورفلو
• 12. نصب و راه‌اندازی کراس به عنوان رابط کاربری سطح بالا
• 13. ساخت اولین مدل یادگیری عمیق با کراس
• 14. مفهوم تابع هزینه و بهینه‌سازها در آموزش مدل
• 15. الگوریتم انتشار معکوس و به‌روزرسانی وزن‌ها
• 16. آموزش مدل‌های رگرسیون خطی با استفاده از تنسورفلو
• 17. طبقه‌بندی داده‌ها با استفاده از پرسپترون چندلایه
• 18. بررسی بیش‌برازش و کم‌برازش در یادگیری ماشین
• 19. تکنیک‌های تنظیم مدل برای بهبود تعمیم‌پذیری
• 20. استفاده از لایه‌های دراپ‌اوت برای افزایش دقت مدل
• 21. کار با مجموعه داده‌های استاندارد برای آموزش مدل
• 22. پیش‌پردازش داده‌های متنی برای مدل‌های هوش مصنوعی
• 23. معماری شبکه‌های عصبی کانولوشنی برای پردازش تصویر
• 24. لایه‌های کانولوشن و تجمیع در مدل‌های بینایی ماشین
• 25. پیاده‌سازی یک شبکه عصبی کانولوشنی برای تشخیص ارقام
• 26. افزایش داده‌ها برای بهبود کارایی مدل‌های تصویری
• 27. آشنایی با مدل‌های پیش‌آموزش‌دیده و یادگیری انتقالی
• 28. استفاده از معماری‌های معروف شبکه عصبی در کراس
• 29. مقدمه‌ای بر شبکه‌های عصبی بازگشتی برای داده‌های ترتیبی
• 30. کار با لایه‌های LSTM برای تحلیل سری‌های زمانی
• 31. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 32. ارزیابی عملکرد مدل با استفاده از معیارهای دقت و فراخوانی
• 33. استفاده از تنسوربورد برای پایش فرآیند آموزش
• 34. پیاده‌سازی پروژه‌های کاربردی در محیط ژوپیتر نوت‌بوک
• 35. مبانی اخلاق در هوش مصنوعی و کاربردهای مسئولانه
• 36. بهینه‌سازی هایپرپارامترها برای بهبود عملکرد مدل
• 37. آشنایی با مدل‌های خودرمزگذار و کاهش ابعاد
• 38. کاربردهای یادگیری عمیق در تحلیل داده‌های صنعتی
• 39. استقرار مدل‌های یادگیری عمیق در محیط‌های عملیاتی
• 40. مسیر پیشرفت و منابع تکمیلی برای متخصصان هوش مصنوعی