کتاب برنامه‌نویسی پیشرفته شبکه‌های عصبی عمیق با پایتون با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره برنامه‌نویسی پیشرفته شبکه‌های عصبی عمیق با پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق با پایتون

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی مصنوعی
• 2. مقدمه‌ای بر یادگیری عمیق
• 3. نصب و راه‌اندازی ابزارهای پایتون
• 4. مفاهیم اساسی یادگیری ماشین
• 5. آشنایی با کتابخانه NumPy
• 6. کار با داده‌ها با استفاده از Pandas
• 7. تجسم داده‌ها با Matplotlib و Seaborn
• 8. پیش‌پردازش داده‌ها برای یادگیری عمیق
• 9. نرمال‌سازی و استانداردسازی داده‌ها
• 10. کدگذاری ویژگی‌های دسته‌ای
• 11. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 12. معرفی شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 13. تابع فعال‌سازی و اهمیت آن
• 14. بهینه‌سازی گرادیان کاهشی
• 15. روش‌های مختلف گرادیان کاهشی (SGD, Adam, RMSprop)
• 16. تابع هزینه و انتخاب آن
• 17. تنظیم ابرپارامترها در شبکه‌های عصبی
• 18. مدیریت بیش‌برازش (Overfitting)
• 19. تکنیک‌های منظم‌سازی (Regularization)
• 20. Dropout و کاربرد آن
• 21. معرفی شبکه‌های عصبی کانولوشنی (CNN)
• 22. لایه کانولوشن و فیلترها
• 23. لایه پولینگ و انواع آن
• 24. معماری‌های رایج CNN (LeNet, AlexNet, VGG)
• 25. کاربرد CNN در تشخیص تصویر
• 26. آموزش مدل‌های CNN با Keras
• 27. تنظیمات پیشرفته CNN
• 28. معرفی شبکه‌های عصبی بازگشتی (RNN)
• 29. حافظه در شبکه‌های RNN
• 30. مشکل محوشدگی گرادیان در RNN
• 31. شبکه‌های LSTM و GRU
• 32. کاربرد RNN در پردازش زبان طبیعی
• 33. آموزش مدل‌های RNN با Keras
• 34. تنظیمات پیشرفته RNN
• 35. شبکه‌های عصبی ترنسفورمر
• 36. مکانیزم توجه (Attention Mechanism)
• 37. معماری ترنسفورمر برای پردازش زبان طبیعی
• 38. مدل‌های زبانی بزرگ (LLM)
• 39. کاربرد ترنسفورمر در ترجمه ماشینی
• 40. مدل‌های پیش‌آموزش‌دیده (Pre-trained Models)
• 41. تنظیم دقیق (Fine-tuning) مدل‌های ترنسفورمر
• 42. معرفی مدل‌های Embeddings (Word2Vec, GloVe)
• 43. مدل‌های Embeddings مبتنی بر ترنسفورمر (BERT, GPT)
• 44. کاربرد Embeddings در وظایف NLP
• 45. پردازش متن با استفاده از Embeddings
• 46. تحلیل احساسات با استفاده از شبکه‌های عصبی
• 47. طبقه‌بندی متن با استفاده از شبکه‌های عصبی
• 48. تولید متن با استفاده از شبکه‌های عصبی
• 49. خلاصه‌سازی متن با استفاده از شبکه‌های عصبی
• 50. ترجمه ماشینی با استفاده از شبکه‌های عصبی
• 51. کاربرد شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 52. فیلترینگ مشارکتی با استفاده از شبکه‌های عصبی
• 53. یادگیری عمیق برای سیستم‌های توصیه‌گر
• 54. شبکه‌های مولد تخاصمی (GAN)
• 55. معماری GAN و اجزای آن
• 56. کاربرد GAN در تولید تصویر
• 57. آموزش GAN با Keras
• 58. تنظیمات پیشرفته GAN
• 59. یادگیری تقویتی (Reinforcement Learning)
• 60. مفاهیم پایه یادگیری تقویتی
• 61. عامل، محیط، پاداش و حالت
• 62. الگوریتم‌های یادگیری تقویتی (Q-Learning, Policy Gradients)
• 63. شبکه‌های عصبی عمیق در یادگیری تقویتی (DQN)
• 64. کاربرد یادگیری تقویتی در بازی‌ها
• 65. کاربرد یادگیری تقویتی در رباتیک
• 66. کاربرد یادگیری تقویتی در بهینه‌سازی
• 67. معرفی شبکه‌های گراف عصبی (GNN)
• 68. مفاهیم پایه شبکه‌های گراف عصبی
• 69. لایه GNN و عملیات آن
• 70. کاربرد GNN در پیش‌بینی خواص مولکولی
• 71. کاربرد GNN در شبکه‌های اجتماعی
• 72. کاربرد GNN در سیستم‌های توصیه‌گر
• 73. آموزش مدل‌های GNN با PyTorch Geometric
• 74. آموزش مدل‌های GNN با Deep Graph Library
• 75. ملاحظات اخلاقی در هوش مصنوعی
• 76. سوگیری در داده‌ها و مدل‌ها
• 77. تفسیرپذیری مدل‌های یادگیری عمیق (XAI)
• 78. حریم خصوصی و امنیت در هوش مصنوعی
• 79. هوش مصنوعی مسئولانه و پایدار
• 80. کاربرد هوش مصنوعی در صنعت (با رویکرد داخلی)
• 81. کاربرد هوش مصنوعی در سلامت (با رویکرد داخلی)
• 82. کاربرد هوش مصنوعی در کشاورزی (با رویکرد داخلی)
• 83. کاربرد هوش مصنوعی در آموزش (با رویکرد داخلی)
• 84. کاربرد هوش مصنوعی در حمل و نقل (با رویکرد داخلی)
• 85. آینده هوش مصنوعی و یادگیری عمیق
• 86. تحقیقات پیشرو در یادگیری عمیق
• 87. چالش‌های فعلی در هوش مصنوعی
• 88. نقش هوش مصنوعی در توسعه علمی و فناوری کشور
• 89. توسعه مدل‌های هوش مصنوعی بومی
• 90. پروژه‌های عملی یادگیری عمیق
• 91. ساخت یک سیستم تشخیص تصویر سفارشی
• 92. پیاده‌سازی یک مدل پردازش زبان طبیعی پیشرفته
• 93. طراحی یک سیستم توصیه‌گر مبتنی بر یادگیری عمیق
• 94. توسعه یک عامل یادگیری تقویتی برای یک بازی ساده
• 95. مرور و جمع‌بندی مباحث پیشرفته
• 96. راهنمایی برای پروژه‌های تحقیقاتی
• 97. منابع برای مطالعه بیشتر