کتاب مبانی و کاربردهای یادگیری عمیق با تنسورفلو و کراس با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای یادگیری عمیق با تنسورفلو و کراس

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تاریخچه یادگیری ماشین
• 3. یادگیری تحت نظارت و بدون نظارت
• 4. مفاهیم پایه یادگیری ماشین
• 5. رگرسیون خطی
• 6. رگرسیون لجستیک
• 7. ماشین‌های بردار پشتیبان (SVM)
• 8. درختان تصمیم
• 9. جنگل‌های تصادفی
• 10. یادگیری تقویتی
• 11. مبانی یادگیری عمیق
• 12. شبکه‌های عصبی مصنوعی
• 13. تابع فعال‌سازی
• 14. پس‌انتشار خطا (Backpropagation)
• 15. بهینه‌سازها (Optimizers)
• 16. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 17. مدیریت بیش‌برازش (Overfitting)
• 18. تنظیم‌گری (Regularization)
• 19. شبکه‌های عصبی کانولوشنال (CNN)
• 20. معماری‌های CNN
• 21. کاربرد CNN در بینایی ماشین
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. حافظه طولانی کوتاه مدت (LSTM)
• 24. واحد بازگشتی دروازه‌ای (GRU)
• 25. کاربرد RNN در پردازش زبان طبیعی
• 26. یادگیری عمیق ترانسفورمر
• 27. مکانیزم توجه (Attention Mechanism)
• 28. کاربرد ترانسفورمر در پردازش زبان طبیعی
• 29. مقدمه‌ای بر تنسورفلو
• 30. نصب و راه‌اندازی تنسورفلو
• 31. تنسورها در تنسورفلو
• 32. عملیات بر روی تنسورها
• 33. گراف محاسباتی در تنسورفلو
• 34. مقدمه‌ای بر کراس (Keras)
• 35. لایه‌های کراس
• 36. مدل‌های ترتیبی در کراس
• 37. مدل‌های تابعی در کراس
• 38. آموزش مدل در کراس
• 39. ارزیابی مدل در کراس
• 40. ذخیره و بارگذاری مدل
• 41. کاربرد تنسورفلو و کراس در مسائل طبقه‌بندی
• 42. کاربرد تنسورفلو و کراس در مسائل رگرسیون
• 43. کاربرد تنسورفلو و کراس در پردازش تصویر
• 44. کاربرد تنسورفلو و کراس در پردازش متن
• 45. کاربرد تنسورفلو و کراس در سیستم‌های توصیه‌گر
• 46. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 47. استفاده از مدل‌های از پیش آموزش دیده
• 48. تنظیم دقیق (Fine-tuning) مدل‌ها
• 49. کاربرد یادگیری انتقالی در طبقه‌بندی تصویر
• 50. کاربرد یادگیری انتقالی در پردازش زبان طبیعی
• 51. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 52. معماری GAN
• 53. کاربرد GAN در تولید تصویر
• 54. مقدمه‌ای بر یادگیری عمیق روی گراف‌ها (GNN)
• 55. شبکه‌های عصبی برای داده‌های ساختاریافته
• 56. کاربرد GNN در تحلیل شبکه‌های اجتماعی
• 57. مقدمه‌ای بر یادگیری عمیق برای زمان سری
• 58. مدل‌های مناسب برای داده‌های زمانی
• 59. کاربرد یادگیری عمیق در پیش‌بینی سری‌های زمانی
• 60. مقدمه‌ای بر یادگیری عمیق توزیع‌شده
• 61. آموزش مدل بر روی چندین دستگاه
• 62. ملاحظات امنیتی در یادگیری عمیق
• 63. اخلاق در هوش مصنوعی
• 64. حریم خصوصی و داده‌ها
• 65. شفافیت و تفسیرپذیری مدل‌ها
• 66. سوگیری در داده‌ها و مدل‌ها
• 67. کاربرد یادگیری عمیق در سلامت
• 68. کاربرد یادگیری عمیق در صنعت
• 69. کاربرد یادگیری عمیق در کشاورزی
• 70. کاربرد یادگیری عمیق در مالی
• 71. مقدمه‌ای بر یادگیری نیمه‌نظارتی
• 72. ترکیب یادگیری نظارت‌شده و بدون نظارت
• 73. کاربرد یادگیری نیمه‌نظارتی
• 74. یادگیری خودنظارت‌شده (Self-supervised Learning)
• 75. آموزش مدل بدون برچسب صریح
• 76. کاربرد یادگیری خودنظارت‌شده
• 77. مقدمه‌ای بر یادگیری تقویتی عمیق (DRL)
• 78. ترکیب یادگیری عمیق و یادگیری تقویتی
• 79. کاربرد DRL در رباتیک
• 80. کاربرد DRL در بازی‌ها
• 81. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM)
• 82. معماری ترانسفورمر در LLM
• 83. کاربرد LLM در تولید متن
• 84. کاربرد LLM در پاسخ به سوالات
• 85. کاربرد LLM در خلاصه‌سازی متن
• 86. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 87. حفظ حریم خصوصی در یادگیری فدرال
• 88. کاربرد یادگیری فدرال در دستگاه‌های موبایل
• 89. مقدمه‌ای بر یادگیری تقویتی با پاداش مصنوعی
• 90. طراحی توابع پاداش
• 91. بهینه‌سازی پاداش در یادگیری تقویتی
• 92. مقدمه‌ای بر یادگیری عمیق توضیحی (XAI)
• 93. روش‌های تفسیرپذیری مدل‌های یادگیری عمیق
• 94. کاربرد XAI در درک تصمیمات مدل
• 95. مقدمه‌ای بر یادگیری عمیق در لبه (Edge AI)
• 96. اجرای مدل‌های یادگیری عمیق بر روی دستگاه‌های محدود
• 97. بهینه‌سازی مدل‌ها برای Edge AI
• 98. مقدمه‌ای بر مسائل اخلاقی در هوش مصنوعی
• 99. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 100. تأثیر هوش مصنوعی بر اشتغال