دوره طراحی و پیاده‌سازی شبکه‌های عصبی با رویکرد عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی شبکه‌های عصبی با رویکرد عملی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی و کاربردها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 2. تاریخچه و تکامل شبکه‌های عصبی
• 3. بیولوژی الهام‌بخش شبکه‌های عصبی: نورون‌های بیولوژیکی
• 4. مدل‌های ریاضی نورون‌ها
• 5. تابع فعال‌سازی: انواع و کاربردها
• 6. شبکه‌های عصبی پیش‌خور: ساختار و عملکرد
• 7. الگوریتم پس‌انتشار خطا (Backpropagation)
• 8. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 9. نرخ یادگیری و تنظیم آن
• 10. معیارهای ارزیابی عملکرد شبکه‌های عصبی
• 11. بیش‌برازش (Overfitting) و روش‌های مقابله با آن
• 12. تنظیم‌سازی (Regularization)
• 13. شبکه‌های عصبی چندلایه (Multilayer Perceptron - MLP)
• 14. کاربردهای شبکه‌های MLP در طبقه‌بندی
• 15. کاربردهای شبکه‌های MLP در رگرسیون
• 16. شبکه‌های عصبی کانولوشنال (Convolutional Neural Networks - CNN)
• 17. کانولوشن: عملیات اصلی در CNN
• 18. لایه‌های Pooling در CNN
• 19. معماری‌های معروف CNN: LeNet, AlexNet, VGGNet
• 20. کاربردهای CNN در پردازش تصویر
• 21. تشخیص اشیاء با استفاده از CNN
• 22. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 23. حافظه کوتاه‌مدت بلندمدت (Long Short-Term Memory - LSTM)
• 24. شبکه‌های گیت‌دار بازگشتی (Gated Recurrent Unit - GRU)
• 25. کاربردهای RNN در پردازش زبان طبیعی
• 26. تولید متن با استفاده از RNN
• 27. پیش‌بینی سری‌های زمانی با استفاده از RNN
• 28. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 29. خودرمزگذار زیرفشار (Sparse Autoencoder)
• 30. خودرمزگذار قراردادی (Contractive Autoencoder)
• 31. کاربردهای خودرمزگذار در کاهش ابعاد
• 32. تشخیص ناهنجاری با استفاده از خودرمزگذار
• 33. شبکه‌های مولد تخاصمی (Generative Adversarial Networks - GAN)
• 34. شبکه‌های مولد متغیر (Variational Autoencoders - VAE)
• 35. یادگیری تقویتی (Reinforcement Learning)
• 36. Q-Learning
• 37. Deep Q-Network (DQN)
• 38. کاربردهای یادگیری تقویتی در رباتیک
• 39. بهینه‌سازی هایپرپارامترها (Hyperparameter Optimization)
• 40. جستجوی شبکه‌ای (Grid Search)
• 41. جستجوی تصادفی (Random Search)
• 42. الگوریتم‌های تکاملی برای بهینه‌سازی شبکه‌های عصبی
• 43. معماری‌های پیشرفته شبکه‌های عصبی
• 44. شبکه‌های عصبی گراف (Graph Neural Networks - GNN)
• 45. شبکه‌های ترانسفورمر (Transformers)
• 46. مکانیسم توجه (Attention Mechanism)
• 47. کاربردهای ترانسفورمر در ترجمه ماشینی
• 48. پردازش زبان طبیعی با ترانسفورمر
• 49. پیاده‌سازی شبکه‌های عصبی با TensorFlow
• 50. پیاده‌سازی شبکه‌های عصبی با Keras
• 51. پیاده‌سازی شبکه‌های عصبی با PyTorch
• 52. استفاده از GPU برای آموزش شبکه‌های عصبی
• 53. مبانی محاسبات توزیع‌شده برای آموزش شبکه‌های عصبی
• 54. تکنیک‌های کاهش مصرف حافظه در آموزش شبکه‌های عصبی
• 55. تفسیرپذیری شبکه‌های عصبی (Explainable AI - XAI)
• 56. روش‌های تجسم‌سازی شبکه‌های عصبی
• 57. اعتبارسنجی و تست شبکه‌های عصبی
• 58. استقرار مدل‌های شبکه‌های عصبی
• 59. ملاحظات امنیتی در شبکه‌های عصبی
• 60. حملات Adversarial و روش‌های دفاعی
• 61. آینده شبکه‌های عصبی و یادگیری ماشین
• 62. کاربردهای نوظهور شبکه‌های عصبی در صنایع مختلف
• 63. چالش‌ها و محدودیت‌های فعلی شبکه‌های عصبی