دوره مبانی شبکه‌های عصبی: از ساختار نورون‌ها تا معماری لایه‌ها در یادگیری عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی: از ساختار نورون‌ها تا معماری لایه‌ها در یادگیری عمیق

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی (Artificial Neural Networks)

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و جایگاه شبکه‌های عصبی در علوم داده
• 2. مرور مفاهیم پایه در یادگیری ماشین و نقش داده‌ها
• 3. ساختار بیولوژیکی نورون و الهام‌بخشی آن در مدل‌سازی ریاضی
• 4. معرفی پرسپترون ساده و نقش توابع فعال‌ساز
• 5. مفاهیم وزن‌ها و بایاس در یادگیری شبکه عصبی
• 6. آشنایی با توابع فعال‌ساز غیرخطی و اهمیت آن‌ها
• 7. نقش تابع پله در پرسپترون‌های اولیه
• 8. تحلیل هندسی مرزهای تصمیم‌گیری در فضای ویژگی‌ها
• 9. محدودیت‌های پرسپترون تک‌لایه و مسئله XOR
• 10. معماری شبکه‌های عصبی چندلایه و لایه‌های پنهان
• 11. مفهوم انتشار رو به جلو در شبکه‌های عصبی
• 12. آشنایی با توابع هزینه و نقش آن‌ها در ارزیابی عملکرد
• 13. الگوریتم انتشار معکوس و نقش مشتق در به‌روزرسانی وزن‌ها
• 14. گرادیان کاهشی و انواع آن در بهینه‌سازی مدل
• 15. چالش‌های یادگیری در شبکه‌های عصبی و مسئله بیش‌برازش
• 16. روش‌های منظم‌سازی برای بهبود تعمیم‌پذیری مدل
• 17. اهمیت مقداردهی اولیه وزن‌ها در همگرایی شبکه
• 18. نقش نرخ یادگیری در پایداری و سرعت آموزش
• 19. معرفی لایه‌های کاملاً متصل و کاربردهای آن‌ها
• 20. آشنایی با کتابخانه‌های استاندارد پیاده‌سازی شبکه‌های عصبی
• 21. آماده‌سازی داده‌ها و نرمال‌سازی ورودی‌ها برای آموزش بهتر
• 22. بررسی معماری‌های پایه در یادگیری عمیق
• 23. مفهوم عمق در شبکه‌های عصبی و تأثیر آن بر دقت
• 24. آشنایی با لایه‌های خروجی و توابع فعال‌ساز متناسب با مسئله
• 25. طبقه‌بندی چندکلاسه و استفاده از تابع سافت‌مکس
• 26. رگرسیون و کاربرد شبکه‌های عصبی در پیش‌بینی مقادیر پیوسته
• 27. ارزیابی عملکرد مدل با استفاده از ماتریس درهم‌ریختگی
• 28. مفاهیم دقت، فراخوانی و امتیاز اف در شبکه‌های عصبی
• 29. کاربردهای شبکه‌های عصبی در تحلیل داده‌های متنی ساده
• 30. مقدمه‌ای بر شبکه عصبی کانولوشنی برای پردازش تصویر
• 31. لایه‌های کانولوشن و استخراج ویژگی‌های خودکار
• 32. لایه‌های ادغام برای کاهش ابعاد و افزایش کارایی
• 33. نقش شبکه‌های عصبی در یادگیری نظارت‌شده
• 34. بررسی اجمالی یادگیری نیمه‌نظارت‌شده با شبکه‌های عصبی
• 35. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه الگوریتم‌ها
• 36. استانداردها و چارچوب‌های توسعه هوش مصنوعی در ایران
• 37. بهینه‌سازی مدل‌های عصبی برای اجرا در محیط‌های محلی
• 38. مستندسازی و گزارش‌دهی نتایج مدل‌های هوش مصنوعی
• 39. مسیرهای پیشرفته در یادگیری عمیق و تحقیقات آینده
• 40. جمع‌بندی و مرور پروژه‌های کاربردی شبکه‌های عصبی