دوره پیاده‌سازی الگوریتم‌های یادگیری عمیق برای دسته‌بندی تصاویر و متن در داده‌کاوی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی الگوریتم‌های یادگیری عمیق برای دسته‌بندی تصاویر و متن در داده‌کاوی

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و داده‌کاوی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری عمیق و جایگاه آن در داده‌کاوی
• 2. فرایند حل مسئله دسته‌بندی با یادگیری عمیق
• 3. آماده‌سازی محیط توسعه پایتون برای یادگیری عمیق
• 4. آشنایی با NumPy و پردازش آرایه‌های داده
• 5. آشنایی با PyTorch برای پیاده‌سازی مدل‌های یادگیری عمیق
• 6. ساختار داده‌های آموزشی، اعتبارسنجی و آزمون
• 7. پیش‌پردازش و نرمال‌سازی داده‌های ورودی
• 8. مبانی شبکه‌های عصبی مصنوعی
• 9. نورون مصنوعی و لایه‌های کاملاً متصل
• 10. توابع فعال‌سازی و انتخاب تابع مناسب
• 11. توابع هزینه برای مسائل دسته‌بندی
• 12. انتشار رو به جلو در شبکه عصبی
• 13. محاسبه گرادیان و پس‌انتشار خطا
• 14. بهینه‌سازی مدل با Gradient Descent
• 15. بهینه‌سازهای SGD، Adam و AdamW
• 16. یادگیری نرخ یادگیری و زمان‌بندی آن
• 17. مفهوم Epoch، Batch و Iteration
• 18. مقداردهی اولیه وزن‌ها
• 19. Batch Normalization و Layer Normalization
• 20. Dropout و روش‌های منظم‌سازی شبکه
• 21. تشخیص بیش‌برازش و کم‌برازش در شبکه‌های عمیق
• 22. افزایش داده و روش‌های مقابله با بیش‌برازش
• 23. معیارهای ارزیابی مدل‌های دسته‌بندی
• 24. Confusion Matrix و تحلیل خطاهای طبقه‌بندی
• 25. Precision، Recall، F1 و Accuracy
• 26. دسته‌بندی چندکلاسه و چندبرچسبی
• 27. مبانی پردازش تصاویر برای یادگیری عمیق
• 28. خواندن، تغییر اندازه و تبدیل تصاویر
• 29. تبدیل تصاویر به Tensor
• 30. Data Augmentation برای داده‌های تصویری
• 31. ساخت اولین مدل دسته‌بندی تصویر با شبکه عصبی
• 32. ساختار و عملکرد شبکه‌های عصبی کانولوشنی
• 33. فیلترهای کانولوشن و استخراج ویژگی
• 34. Padding، Stride و اندازه خروجی کانولوشن
• 35. Pooling و کاهش ابعاد ویژگی‌ها
• 36. ساخت معماری CNN برای دسته‌بندی تصاویر
• 37. پیاده‌سازی CNN در PyTorch
• 38. بهبود CNN با Normalization و Regularization
• 39. معماری‌های VGG و اصول طراحی شبکه‌های عمیق
• 40. شبکه‌های Residual و معماری ResNet
• 41. انتقال یادگیری در دسته‌بندی تصاویر
• 42. استفاده از مدل‌های ازپیش‌آموزش‌دیده برای تصاویر
• 43. Fine-tuning مدل‌های بینایی
• 44. انتخاب لایه‌های قابل آموزش در Transfer Learning
• 45. دسته‌بندی تصاویر با مدل‌های EfficientNet
• 46. Vision Transformer برای دسته‌بندی تصاویر
• 47. تقسیم تصویر به Patch و ایجاد Embedding
• 48. مکانیزم Attention در Vision Transformer
• 49. مقایسه CNN و Vision Transformer در دسته‌بندی تصویر
• 50. پیش‌پردازش متن برای مدل‌های یادگیری عمیق
• 51. پاک‌سازی و نرمال‌سازی داده‌های متنی
• 52. توکن‌سازی متن و ساخت واژگان
• 53. Padding و Truncation برای توالی‌های متنی
• 54. نمایش متن با One-Hot و روش‌های کلاسیک
• 55. Word Embedding و نمایش برداری کلمات
• 56. پیاده‌سازی Embedding در شبکه‌های عصبی
• 57. دسته‌بندی متن با شبکه‌های Feedforward
• 58. مدل‌سازی توالی با شبکه‌های RNN
• 59. محدودیت‌های RNN و مشکل محوشدن گرادیان
• 60. دسته‌بندی متن با LSTM
• 61. دسته‌بندی متن با GRU
• 62. Attention در پردازش زبان طبیعی
• 63. ساختار Encoder در مدل‌های متنی
• 64. مبانی معماری Transformer
• 65. Self-Attention و Multi-Head Attention
• 66. Positional Encoding در Transformer
• 67. دسته‌بندی متن با مدل‌های Transformer
• 68. استفاده از BERT برای دسته‌بندی متن
• 69. Fine-tuning مدل‌های زبانی ازپیش‌آموزش‌دیده
• 70. دسته‌بندی متن فارسی با مدل‌های Transformer
• 71. مدیریت داده‌های نامتوازن در دسته‌بندی تصاویر و متن
• 72. استفاده از Class Weight و Weighted Loss
• 73. نمونه‌برداری مجدد و روش‌های متعادل‌سازی داده
• 74. انتخاب معماری مناسب برای تصویر و متن
• 75. تنظیم ابرپارامترهای مدل‌های عمیق
• 76. Grid Search و روش‌های بهینه‌سازی ابرپارامترها
• 77. Early Stopping و انتخاب بهترین مدل
• 78. ثبت آزمایش‌ها و مقایسه نسخه‌های مدل
• 79. تحلیل خطاهای مدل در دسته‌بندی تصاویر
• 80. تحلیل خطاهای مدل در دسته‌بندی متن
• 81. تفسیر پیش‌بینی‌های مدل‌های دسته‌بندی
• 82. ذخیره، بارگذاری و استفاده مجدد از مدل آموزش‌دیده
• 83. ساخت Pipeline کامل داده‌کاوی برای دسته‌بندی تصویر
• 84. ساخت Pipeline کامل داده‌کاوی برای دسته‌بندی متن
• 85. استفاده از GPU برای آموزش مدل‌های عمیق
• 86. بهینه‌سازی مصرف حافظه و سرعت آموزش
• 87. افزایش مقیاس داده و آموزش مدل‌های بزرگ
• 88. پیاده‌سازی پروژه واقعی دسته‌بندی تصاویر
• 89. پیاده‌سازی پروژه واقعی دسته‌بندی متن
• 90. مقایسه و انتخاب بهترین مدل بر اساس نتایج آزمایش
• 91. ارزیابی نهایی و تحلیل قابلیت تعمیم مدل