دوره شبکه‌های عصبی و مدل‌های تصمیم‌گیری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی و مدل‌های تصمیم‌گیری

موضوع کلی: مدل‌سازی ریاضی پدیده‌های پیچیده

موضوع میانی: مدل‌سازی مدل‌های بهینه‌سازی استراتژی‌های ارائه خدمات مهندسی هوش مصنوعی در توسعه شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی
• 2. نورون‌های مصنوعی و عملکردهای فعال‌سازی
• 3. یادگیری تحت نظارت: رگرسیون خطی
• 4. رگرسیون لجستیک و طبقه‌بندی
• 5. تابع هزینه و الگوریتم‌های بهینه‌سازی
• 6. نزول گرادیان و نرخ یادگیری
• 7. شبکه‌های عصبی چندلایه (MLP)
• 8. انتخاب ویژگی و مهندسی ویژگی
• 9. بیش‌برازش و کم‌برازش
• 10. تنظیم‌سازی: L1 و L2
• 11. اعتبارسنجی متقابل (Cross-Validation)
• 12. شبکه‌های عصبی کانولوشنی (CNN)
• 13. لایه کانولوشن و استخرسازی
• 14. شبکه‌های عصبی بازگشتی (RNN)
• 15. حافظه کوتاه‌مدت بلند (LSTM)
• 16. شبکه‌های عصبی دروازه‌ای بازگشتی (GRU)
• 17. پردازش زبان طبیعی با RNN
• 18. مدل‌های زبانی و تولید متن
• 19. تشخیص گفتار با شبکه‌های عصبی
• 20. بینایی کامپیوتر و تشخیص تصویر
• 21. تشخیص اشیاء در تصاویر
• 22. تقسیم‌بندی تصاویر
• 23. شبکه‌های مولد تخاصمی (GAN)
• 24. تولید تصاویر با GAN
• 25. یادگیری تقویتی: مفاهیم پایه
• 26. Q-Learning و الگوریتم‌های مبتنی بر مقدار
• 27. سیاست گرادیان
• 28. شبکه‌های عصبی عمیق (DNN)
• 29. بهینه‌سازی شبکه‌های عصبی عمیق
• 30. شبکه‌های عصبی گراف
• 31. یادگیری انتقالی
• 32. یادگیری خودنظارتی
• 33. یادگیری چندوظیفه‌ای
• 34. شبکه‌های توجه (Attention Networks)
• 35. ترانسفورمرها و مدل‌های پیشرفته
• 36. مدل‌های زبانی بزرگ (LLM)
• 37. تنظیم دقیق مدل‌های زبانی بزرگ
• 38. کاربردهای مدل‌های زبانی بزرگ
• 39. استفاده از شبکه‌های عصبی در پیش‌بینی سری‌های زمانی
• 40. شبکه‌های عصبی در تشخیص ناهنجاری
• 41. شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 42. تفسیرپذیری مدل‌های یادگیری ماشین
• 43. اخلاق و مسئولیت در یادگیری ماشین
• 44. ابزارهای توسعه شبکه‌های عصبی (TensorFlow, PyTorch)
• 45. استقرار مدل‌های شبکه‌های عصبی