دوره کاربرد عملی پرسپترون‌های چندلایه در حل مسائل واقعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد عملی پرسپترون‌های چندلایه در حل مسائل واقعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی پرسپترون چند لایه (MLP)

📋 سرفصل‌های دوره

• 1. مفاهیم اولیه پرسپترون تک لایه و extrapolation به چند لایه
• 2. ساختار کلی شبکه عصبی پرسپترون چند لایه (MLP)
• 3. انتخاب تابع فعال‌سازی مناسب (ReLU, Sigmoid, Tanh, Leaky ReLU)
• 4. مقداردهی اولیه وزن‌ها و Biasها: روش‌های Xavier، He و uniform
• 5. محاسبه خروجی لایه Hidden به‌صورت ماتریسی
• 6. انتشار قبلی (Forward Propagation) در MLP
• 7. تابع هزینه مناسب برای वर्गبندی باینری (Binary Cross‑Entropy)
• 8. تابع هزینه برای वर्गبندی چندکلاسه (Categorical Cross‑Entropy)
• 9. تابع هزینه برای regresion (Mean Squared Error, Mean Absolute Error)
• 10. محاسبه گرادیان به‌صورت تحلیلی (Backpropagation) در Layers
• 11. بهینه‌سازی gradiant descent: Batch، Mini‑batch، Stochastic
• 12. بهینه‌سازهای پیشرفته: Momentum، Nesterov Accelerated Gradient
• 13. بهینه‌ساز Adam:derive و پارامترهای β1, β2, ε
• 14. بهینه‌ساز RMSProp و AdaGrad
• 15. تنظیم نرخ یادگیری (Learning Rate) و استراتژی‌های annealing
• 16. استفاده از Learning Rate Scheduler: Step، Exponential، Cosine Annealing
• 17. Regularization با L1 و L2 وزن‌ها
• 18. Dropout به‌عنوان تکنیک Regularization در hidden layers
• 19. Batch Normalization در MLP و تاثیر آن بر convergance
• 20. Early Stopping بر پایهٔ validation loss
• 21. آماده‌سازی داده‌ها: تمیز کردن missing values و outlier detection
• 22. نرمال‌سازی ویژگی‌ها: Min‑Max scaling و Z‑score standardization
• 23. encoding متغیرهای kategorical: One‑Hot، Ordinal، Target encoding
• 24. بازویابی ویژگی‌ها (Feature Engineering) برای بهبود MLP
• 25. تقسیم داده‌ها به train/validation/test و استراتژی‌های k‑fold cross‑validation
• 26. ارزیابی مدل वर्गبندی: accuracy, precision, recall, F1‑score، ROC‑AUC
• 27. ارزیابی مدل regresion: R²، MAE، RMSE، MAPE
• 28. رسم منحنی یادگیری (Learning Curve) برای تشخیص overfitting/underfitting
• 29. رسم ماتریس confusion و تحلیل خطاها
• 30. Hyperparameter tuning با Grid Search و Random Search
• 31. بهینه‌سازی Hyperparameter با Bayesian Optimization (مثلاً Optuna)
• 32. پیاده‌سازی MLP از پایه با NumPy (بدون فریم‌ورک)
• 33. پیاده‌سازی MLP با TensorFlow/Keras: Sequential API
• 34. پیاده‌سازی MLP با PyTorch: تعریف کلاس nn.Module
• 35. استفاده از Callbackها در TensorFlow: ModelCheckpoint، EarlyStopping
• 36. استفاده از Lightning در PyTorch برای تسهیل آموزش
• 37. ذخیره و بارگذاری مدل م.train‌شده: فرمت HDF5، SavedModel، TorchScript
• 38. تبدیل مدل MLP به فرمت ONNX برای استقرار در محیط‌های مختلف
• 39. استقرار مدل MLP به‌عنوان REST API با Flask/FastAPI
• 40. استقرار مدل MLP در Docker و Kubernetes
• 41. Monitoring مدل در producción: ردیابی drift و degradation
• 42. Explainability مدل MLP با SHAP و LIME
• 43. Visualizing وزن‌ها و activations در hidden layers (Activation Maps)
• 44. بهینه‌سازی سرعت استنتاج: TensorRT، quantization، pruning
• 45. کاربرد MLP در वर्गبندی تصاویر دست‌خط (MNIST) – پروژه عملی
• 46. کاربرد MLP در پیش‌بینی قیمت مساكن مجموعه دادهٔ Boston Housing
• 47. استفاده از MLP در تشخیص تقلب کارت‌های اعتباری (Credit‑Card Fraud)
• 48. کاربرد MLP در تشخيص بیماری دیابت از داده‌های clínیکی (PIMA)
• 49. کاربرد MLP در پیش‌بینیobarای سهام (Stock Price Prediction) – regression
• 50. کاربرد MLP در پیش‌بینی باران و هوای کوتاه‌مدت (Time‑Series Forecasting)
• 51. استفاده از MLP در سیستم توصیه محتوای مبتنی بر ویژگی‌های کاربر
• 52. کاربرد MLP در تشخیص spam ایمیل بر پایهٔ ویژگی‌های متنی (TF‑IDF)
• 53. کاربرد MLP در تشخیص گفتار ساده (Speech Command Detection)
• 54. کاربرد MLP در کنترل موشک ساده (Reinforcement Learning hybrid)
• 55. استفاده از MLP به‌عنوان بخش نهایی در معماری CNN برای ویژگی‌های flatten
• 56. استفاده از MLP در خودکودر (Autoencoder) برای کاهش ابعاد داده
• 57. استفاده از MLP در تولید داده sintetیک (Generative Modeling –간단한 GAN generator)
• 58. ترکیب MLP با嵌入 کلمات (Word Embedding) برای تحلیل متن
• 59. استفاده از MLP در دسته‌بندی اسناد چندبرچسبه (Multi‑label Text Classification)
• 60. کاربرد MLP در تشخیص pathogenicity متغیرهای ژنتیک (Bioinformatics)
• 61. کاربرد MLP در پیش‌بینی بارگذاری شبکه‌های électriques (Load Forecasting)
• 62. کاربرد MLP در تشخیص anomalie در داده‌های حسگر صنعتی (IIoT)
• 63. بهینه‌سازی MLP برای دستگاه‌هایembedded (ARM Cortex‑M) با fixed‑point
• 64. آموزش MLP روی TPU و GPU: تفاوت‌های عملکرد
• 65. مقایسه MLP با مدل‌های خطی و مدل‌های درختان تصمیم (Baseline Comparison)
• 66. بررسی اثرات تعداد لایه و تعداد 뉴런 در هر لایه بر عملکرد
• 67. تحلیل اثر عمق مقابل عرض (Depth vs Width) در MLP
• 68. مطالعه اثرات تابع الفعال‌سازی بر gradient vanishing/exploding
• 69. بررسی اثر Batch Size بر convergance و généralization
• 70. بررسی اثر Regularization Capacities در تنظیم precisyon و recall
• 71. بررسی اخلاق و bias در مدل‌های MLP و راه‌های mitigation
• 72. بررسی قوانین حریم خصوصی (GDPR) در استخراج ویژگی‌های شخصی برای MLP
• 73. بررسی استانداردهای ایمنی و قابلیت اطمینان برای مدل‌های MLP در کاربردهای حیاتی
• 74. بررسی هزینه‌های محاسبه و انرژی در آموزش MLP مقیاس بزرگ
• 75. بررسی آینده MLP در ترکیب با مدل‌های transformer (Hybrid Architectures)