دوره استدلال مبتنی بر دانش با شبکه‌های عصبی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استدلال مبتنی بر دانش با شبکه‌های عصبی

موضوع کلی: هوش مصنوعی و سیستم‌های دانش‌بنیان

موضوع میانی: Neuro-Symbolic AI

📋 سرفصل‌های دوره

• 1. مبانی استدلال و دانش
• 2. معرفی شبکه‌های عصبی مصنوعی
• 3. تاریخچه و کاربردهای شبکه‌های عصبی
• 4. اجزای اصلی یک شبکه عصبی
• 5. نحوه انتقال اطلاعات در شبکه‌های عصبی
• 6. انواع توابع فعال‌سازی
• 7. یادگیری ماشین و انواع آن
• 8. یادگیری نظارت‌شده در شبکه‌های عصبی
• 9. یادگیری بدون نظارت در شبکه‌های عصبی
• 10. یادگیری تقویتی در شبکه‌های عصبی
• 11. تنظیم پارامترهای شبکه عصبی
• 12. بهینه‌سازی گرادیان کاهشی
• 13. انتخاب نرخ یادگیری مناسب
• 14. جلوگیری از بیش‌برازش (Overfitting)
• 15. ارزیابی عملکرد شبکه‌های عصبی
• 16. مجموعه‌داده‌ها و آماده‌سازی آن‌ها
• 17. پیش‌پردازش داده‌ها برای شبکه‌های عصبی
• 18. نرمال‌سازی داده‌ها
• 19. انتخاب ویژگی‌های مهم
• 20. معماری‌های مختلف شبکه‌های عصبی
• 21. شبکه‌های عصبی پیش‌خور (Feedforward)
• 22. شبکه‌های عصبی بازگشتی (Recurrent)
• 23. شبکه‌های عصبی پیچشی (Convolutional)
• 24. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 25. شبکه‌های مولد تخاصمی (GANs)
• 26. استفاده از شبکه‌های عصبی در پردازش زبان طبیعی
• 27. تشخیص گفتار با شبکه‌های عصبی
• 28. بینایی کامپیوتر با شبکه‌های عصبی
• 29. شبکه‌های عصبی و تحلیل تصاویر پزشکی
• 30. تشخیص الگو با شبکه‌های عصبی
• 31. پیش‌بینی سری‌های زمانی با شبکه‌های عصبی
• 32. شبکه‌های عصبی و سیستم‌های توصیه گر
• 33. استفاده از شبکه‌های عصبی در رباتیک
• 34. شبکه‌های عصبی و یادگیری تقویتی در رباتیک
• 35. تکنیک‌های پیشرفته در شبکه‌های عصبی
• 36. شبکه‌های عصبی عمیق (Deep Neural Networks)
• 37. مفاهیم انتقال یادگیری (Transfer Learning)
• 38. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 39. استفاده از کتابخانه‌های پایتون برای شبکه‌های عصبی (TensorFlow, Keras, PyTorch)
• 40. پیاده‌سازی یک شبکه عصبی ساده با پایتون
• 41. عیب‌یابی و رفع اشکال در شبکه‌های عصبی
• 42. اخلاق و مسئولیت‌پذیری در استفاده از شبکه‌های عصبی
• 43. آینده‌ی استدلال مبتنی بر دانش با شبکه‌های عصبی
• 44. کاربرد شبکه‌های عصبی در تحلیل داده‌های بزرگ