دوره یادگیری عمیق با زبان جولیا: کاربردها و پیاده‌سازی با Flux.jl همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق با زبان جولیا: کاربردها و پیاده‌سازی با Flux.jl

موضوع کلی: محاسبات علمی و هوش مصنوعی

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. مبانی زبان برنامه‌نویسی جولیا برای یادگیری ماشین
• 3. نصب و پیکربندی جولیا و پکیج‌های مورد نیاز
• 4. مفاهیم اساسی جبر خطی در یادگیری ماشین
• 5. مشتق‌پذیری و بهینه‌سازی توابع
• 6. مقدمه‌ای بر پکیج Flux.jl
• 7. تعریف مدل‌های عصبی ساده با Flux.jl
• 8. لایه‌های عصبی و توابع فعال‌سازی
• 9. تابع زیان و الگوریتم‌های بهینه‌سازی
• 10. آموزش مدل‌های عصبی با استفاده از داده‌های آموزشی
• 11. اعتبارسنجی و ارزیابی مدل
• 12. بیش‌برازش و کم‌برازش: تشخیص و راهکارها
• 13. تنظیم هایپرپارامترها
• 14. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 15. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks)
• 16. پردازش تصاویر با شبکه‌های عصبی کانولوشنی
• 17. تشخیص اشیاء در تصاویر
• 18. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)
• 19. پردازش زبان طبیعی با شبکه‌های عصبی بازگشتی
• 20. مدل‌سازی سری‌های زمانی با شبکه‌های عصبی بازگشتی
• 21. شبکه‌های مولد تخاصمی (Generative Adversarial Networks)
• 22. تولید تصاویر با شبکه‌های GAN
• 23. یادگیری تقویتی (Reinforcement Learning)
• 24. مقدمه‌ای بر یادگیری تقویتی
• 25. پیاده‌سازی الگوریتم Q-Learning
• 26. پیاده‌سازی الگوریتم Deep Q-Network
• 27. کاربرد یادگیری عمیق در تشخیص بیماری‌ها
• 28. کاربرد یادگیری عمیق در تحلیل احساسات
• 29. کاربرد یادگیری عمیق در پیش‌بینی بازار سهام
• 30. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
• 31. مفاهیم پیشرفته در بهینه‌سازی
• 32. روش‌های منظم‌سازی (Regularization)
• 33. Dropout و Batch Normalization
• 34. بهینه‌سازی تصادفی (Stochastic Optimization)
• 35. گرادیان کاهشی (Gradient Descent) و انواع آن
• 36. بهینه‌سازی Adam و RMSProp
• 37. یادگیری انتقالی (Transfer Learning)
• 38. استفاده از مدل‌های از پیش آموزش‌دیده
• 39. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 40. یادگیری خودنظارتی (Self-Supervised Learning)
• 41. Autoencoders و کاربردهای آن‌ها
• 42. Variational Autoencoders (VAEs)
• 43. Generative Models
• 44. مدل‌های زبانی بزرگ (Large Language Models)
• 45. مقدمه‌ای بر Transformerها
• 46. پیاده‌سازی Transformer با Flux.jl
• 47. کاربرد Transformerها در پردازش زبان طبیعی
• 48. آشنایی با معماری BERT
• 49. آشنایی با معماری GPT
• 50. یادگیری عمیق و داده‌های نامتوازن
• 51. روش‌های مقابله با داده‌های نامتوازن
• 52. تفسیرپذیری مدل‌های یادگیری عمیق
• 53. روش‌های مصورسازی ویژگی‌ها
• 54. شبیه‌سازی و تست مدل‌های یادگیری عمیق
• 55. استقرار مدل‌های یادگیری عمیق
• 56. بهینه‌سازی مدل‌ها برای استقرار
• 57. مفاهیم پیشرفته شبکه‌های عصبی
• 58. شبکه‌های عصبی گراف (Graph Neural Networks)
• 59. یادگیری عمیق در داده‌های گراف
• 60. روش‌های کاهش ابعاد داده‌ها
• 61. PCA و t-SNE
• 62. کاربرد یادگیری عمیق در رباتیک
• 63. کاربرد یادگیری عمیق در بینایی ماشین
• 64. کاربرد یادگیری عمیق در پردازش صوت
• 65. کاربرد یادگیری عمیق در تشخیص تقلب
• 66. کاربرد یادگیری عمیق در مدیریت ریسک
• 67. اخلاق در یادگیری عمیق و هوش مصنوعی
• 68. مباحث مرتبط با حریم خصوصی داده‌ها
• 69. آینده یادگیری عمیق و هوش مصنوعی
• 70. تحقیقات روز در یادگیری عمیق