دوره یادگیری نمایش‌گر با Wasserstein GAN: مبانی، پیاده‌سازی و بهینه‌سازی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری نمایش‌گر با Wasserstein GAN: مبانی، پیاده‌سازی و بهینه‌سازی

موضوع کلی: یادگیری ماشین و هوش مصنوعی

موضوع میانی: شبکه‌های عصبی مقابله‌ای و یادگیری نمایش‌گر بدون نظارت

📋 سرفصل‌های دوره

• 1. مفهوم و انگیزش Wasserstein GAN
• 2. مقایسه WGAN با GAN سنتی
• 3. شکست‌های آموزش GAN سنتی
• 4. متریک Wasserstein در یادگیری ماشین
• 5. فاصلهٔ کلینش و واشنشتن
• 6. همگرایی و ابزارهای ریاضی در WGAN
• 7. تابع هزینهٔ دوگانه در WGAN
• 8. تخمینٔ کمینش‌گر با شبکهٔ انتقادی
• 9. نقش شبکهٔ انتقادی (Critic) در WG
• 10. محدودیت‌های لیپشیت و اعمالٔ گرادیان کلیپینگ
• 11. روش‌های گرادیان پنالتی (Gradient Penalty)
• 12. WGAN-GP: گرادیان پنالتی برای پایداری
• 13. محدود کردن وزن‌ها (Weight Clipping)
• 14. نقش لیپشیت‌بودن در هزینهٔ دوگانه
• 15. تحلیل پایداری آموزش WGAN
• 16. نوسانات در فرآیند آموزش
• 17. تاثیر اندازهٔ بچ در آموزش
• 18. بهینه‌سازهای مورد استفاده در WGAN
• 19. آموزش با Adam و تنظیمات پیشنهادی
• 20. نرخ یادگیری و زمان‌بندیٔ آن
• 21. به‌روزرسانی نوسانی Critic و Generator
• 22. تعداد به‌روزرسانی Critic در هر گام
• 23. ارزیابی کیفیت نمایش‌گرهای یادگرفته شده
• 24. معیارهای ارزیابی در یادگیری نمایش‌گر
• 25. تست نمایان‌سازی (Representation Tests)
• 26. تحلیل خوشه‌بندی نمایش‌ها
• 27. انتقال یادگیری با نمایش‌گرهای WGAN
• 28. استفاده از نمایش در وظایف دسته‌بندی
• 29. استخراج ویژگی با شبکهٔ سازنده
• 30. قابلیت تعمیم نمایش‌گرهای یادگرفته شده
• 31. بررسیٔ overfitting در Critic
• 32. پدیدهٔ mode collapse در WGAN
• 33. کاهشٔ mode collapse با گرادیان پنالتی
• 34. تصحیح رفتارهای نامطلوب با روش‌های جدید
• 35. WGAN با اطلاعات متقابل (Conditional WGAN)
• 36. امدادگرهای افزودنی در Critic
• 37. استفاده از spectral normalization
• 38. مقایسهٔ گرادیان پنالتی و نرمال‌سازی طیفی
• 39. پیاده‌سازی WGAN با PyTorch
• 40. پیاده‌سازی WGAN با TensorFlow
• 41. ساختار شبکهٔ سازنده برای داده‌های تصویری
• 42. طراحی Critic مناسب برای ورودی‌های مختلف
• 43. آموزش روی مجموعه‌های دادهٔ استاندارد
• 44. MNIST با WGAN
• 45. CIFAR-10 با WGAN
• 46. ImageNet و چالش‌های مقیاس بزرگ
• 47. بهینه‌سازی حافظهٔ GPU
• 48. استفاده از توزیع‌های زیرمجموعه‌ای (Mini-batch)
• 49. پیش‌پردازش داده‌ها برای WGAN
• 50. نرمال‌سازی ورودی‌ها
• 51. تکنیک‌های افزایش داده
• 52. کاربردهای WGAN در همینه‌سازی داده
• 53. تولید دادهٔ مصنوعی با کیفیت بالا
• 54. ویرایش نمایش در فضای لاتنت
• 55. کاوش لاتنت و تغییر ویژگی‌ها
• 56. استفاده از WGAN در کاهش بعد
• 57. راه‌اندازی دوبارهٔ مدل و ذخیرهٔ وزن
• 58. مدیریت نسخهٔ مدل‌ها
• 59. بازتابٔ نتایج در پروژه‌های واقعی
• 60. محدودیت‌های WGAN برای داده‌های غیرتصویری
• 61. یادگیری نمایش‌گر با داده‌های سری‌حسابی
• 62. کاربردهای صوتی و متنی در WGAN
• 63. چالش‌های مقیاس‌پذیری WGAN
• 64. بهینه‌سازی برای سخت‌افزارهای توزیعی
• 65. آیندهٔ یادگیری نمایش‌گر با GANهای واشنشتن