کتاب راهنمای جامع شبکه‌های عصبی ترنسفورمر با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع شبکه‌های عصبی ترنسفورمر

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی ترنسفورمر (Transformer Networks)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 2. مبانی یادگیری ماشین
• 3. مفاهیم پایه شبکه‌های عصبی
• 4. معماری‌های اولیه شبکه‌های عصبی
• 5. شبکه‌های عصبی کانولوشنال (CNN)
• 6. شبکه‌های عصبی بازگشتی (RNN)
• 7. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 8. کاربرد شبکه‌های عصبی در NLP
• 9. مفهوم ترنسفورمر
• 10. اجزای اصلی معماری ترنسفورمر
• 11. مکانیزم توجه (Attention Mechanism)
• 12. خود-توجهی (Self-Attention)
• 13. توجه چند-سر (Multi-Head Attention)
• 14. کدگذار (Encoder) در ترنسفورمر
• 15. رمزگشا (Decoder) در ترنسفورمر
• 16. تولید متن با ترنسفورمر
• 17. ترجمه ماشینی با ترنسفورمر
• 18. خلاصه‌سازی متن با ترنسفورمر
• 19. طبقه‌بندی متن با ترنسفورمر
• 20. مدل‌های زبانی بزرگ (LLMs)
• 21. معماری GPT (Generative Pre-trained Transformer)
• 22. پیش‌آموزش مدل‌های ترنسفورمر
• 23. تنظیم دقیق (Fine-tuning) مدل‌های ترنسفورمر
• 24. کاربردهای مدل‌های ترنسفورمر در فارسی
• 25. مبانی علوم داده در ایران
• 26. اصول اخلاقی در علم داده
• 27. مقررات داده در جمهوری اسلامی ایران
• 28. حریم خصوصی در داده‌ها
• 29. امنیت اطلاعات در سیستم‌های آموزشی
• 30. اصول برنامه‌نویسی پایتون برای هوش مصنوعی
• 31. کتابخانه‌های علمی پایتون (NumPy, SciPy)
• 32. کار با داده‌ها با Pandas
• 33. مصورسازی داده‌ها با Matplotlib و Seaborn
• 34. مبانی آمار و احتمالات
• 35. توزیع‌های احتمالی
• 36. آزمون فرض آماری
• 37. رگرسیون خطی
• 38. رگرسیون لجستیک
• 39. مبانی یادگیری تقویتی
• 40. عوامل و محیط در یادگیری تقویتی
• 41. الگوریتم‌های یادگیری تقویتی
• 42. شبکه‌های عصبی گراف (GNNs)
• 43. مفاهیم پایه گراف
• 44. کاربرد GNNs در شبکه‌های اجتماعی
• 45. استخراج ویژگی از داده‌های متنی
• 46. پردازش پیشین متن (Tokenization, Stemming, Lemmatization)
• 47. مدل‌های برداری کلمات (Word Embeddings)
• 48. Word2Vec
• 49. GloVe
• 50. FastText
• 51. مبانی یادگیری بدون نظارت
• 52. خوشه‌بندی (Clustering)
• 53. K-Means
• 54. DBSCAN
• 55. کاهش ابعاد (Dimensionality Reduction)
• 56. تحلیل مولفه‌های اصلی (PCA)
• 57. t-SNE
• 58. مبانی یادگیری نیمه‌نظارت
• 59. مفاهیم داده‌های برچسب‌دار و بدون برچسب
• 60. کاربرد یادگیری نیمه‌نظارت
• 61. مبانی یادگیری عمیق در بینایی ماشین
• 62. شبکه‌های عصبی کانولوشنال پیشرفته
• 63. تشخیص اشیاء (Object Detection)
• 64. تقسیم‌بندی تصویر (Image Segmentation)
• 65. تولید تصویر با شبکه‌های مولد تخاصمی (GANs)
• 66. مبانی یادگیری عمیق در پردازش صدا
• 67. تشخیص گفتار
• 68. تولید گفتار
• 69. مبانی یادگیری عمیق در سیستم‌های توصیه‌گر
• 70. فیلترینگ مشارکتی
• 71. فیلترینگ مبتنی بر محتوا
• 72. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 73. مبانی اخلاق در هوش مصنوعی
• 74. سوگیری (Bias) در مدل‌های هوش مصنوعی
• 75. عدالت و انصاف در هوش مصنوعی
• 76. شفافیت و قابلیت توضیح‌پذیری (Explainability)
• 77. مسئولیت‌پذیری در هوش مصنوعی
• 78. کاربردهای هوش مصنوعی در صنعت و اقتصاد ایران
• 79. هوش مصنوعی در سلامت
• 80. هوش مصنوعی در کشاورزی
• 81. هوش مصنوعی در آموزش
• 82. هوش مصنوعی در حمل و نقل
• 83. مدل‌های ترنسفورمر برای وظایف خاص NLP
• 84. مدل‌های BERT و کاربردهای آن
• 85. مدل‌های RoBERTa و ALBERT
• 86. مدل‌های T5 و BART
• 87. مدل‌های ترنسفورمر برای وظایف بینایی ماشین
• 88. Vision Transformer (ViT)
• 89. کاربردهای ViT در تشخیص تصویر
• 90. ترکیب ترنسفورمرها با شبکه‌های دیگر
• 91. آموزش مدل‌های ترنسفورمر با داده‌های حجیم
• 92. بهینه‌سازی مدل‌های ترنسفورمر
• 93. ارزیابی عملکرد مدل‌های ترنسفورمر
• 94. چالش‌ها و آینده ترنسفورمرها
• 95. ترنسفورمرها و یادگیری انتقالی
• 96. ترنسفورمرها و یادگیری چند-وجهی
• 97. ترنسفورمرها و پردازش توالی‌های بلند
• 98. ترنسفورمرهای کارآمد (Efficient Transformers)
• 99. مقدمه‌ای بر معماری‌های جدید در NLP
• 100. ساختارهای داده‌ای پیشرفته برای NLP