کتاب مبانی یادگیری عمیق و کاربردهای آن در حل مسائل مهندسی و صنعتی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری عمیق و کاربردهای آن در حل مسائل مهندسی و صنعتی

موضوع کلی: علوم رایانه و فناوری‌های نوین

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره (100 موضوع)

  • 1. مبانی و تاریخچه هوش مصنوعی و یادگیری ماشین
  • 2. آشنایی با مفاهیم پایه یادگیری نظارت‌شده و نظارت‌نشده
  • 3. ساختار و عملکرد نورون‌های بیولوژیک و مدل‌سازی ریاضی آن‌ها
  • 4. معرفی پرسپترون و شبکه‌های عصبی تک‌لایه
  • 5. توابع فعال‌سازی و نقش آن‌ها در مدل‌سازی غیرخطی
  • 6. روش‌های پس‌انتشار خطا و بهینه‌سازی وزن‌ها
  • 7. الگوریتم گرادیان کاهشی و انواع آن
  • 8. معرفی کتابخانه‌های استاندارد پایتون برای یادگیری عمیق
  • 9. ساختار شبکه‌های عصبی پیش‌خور
  • 10. مفهوم بیش‌برازش و روش‌های منظم‌سازی
  • 11. تکنیک‌های نرمال‌سازی دسته‌ای برای بهبود آموزش
  • 12. معماری شبکه‌های عصبی کانولوشنی
  • 13. لایه‌های تجمیع و استخراج ویژگی در پردازش تصویر
  • 14. کاربرد شبکه‌های عصبی کانولوشنی در تشخیص اشیاء
  • 15. شبکه‌های عصبی بازگشتی و پردازش داده‌های توالی‌محور
  • 16. مفهوم حافظه بلندمدت کوتاه‌مدت در شبکه‌های عصبی
  • 17. مکانیزم‌های توجه و مدل‌های ترنسفورمر
  • 18. آشنایی با مدل‌های مولد و شبکه‌های تقابلی
  • 19. روش‌های یادگیری تقویتی در سیستم‌های کنترلی
  • 20. کاربرد یادگیری عمیق در تحلیل داده‌های سری زمانی صنعتی
  • 21. پایش وضعیت تجهیزات صنعتی با استفاده از یادگیری ماشین
  • 22. پیش‌بینی خرابی قطعات با مدل‌های یادگیری عمیق
  • 23. بهینه‌سازی مصرف انرژی در صنایع با الگوریتم‌های هوشمند
  • 24. پردازش سیگنال‌های حسگرهای صنعتی در محیط‌های نویزی
  • 25. تشخیص عیوب ساختاری در کنترل کیفیت خودکار
  • 26. کاربرد هوش مصنوعی در مدیریت زنجیره تأمین و لجستیک
  • 27. مفاهیم اولیه یادگیری انتقال و مدل‌های پیش‌آموزش‌دیده
  • 28. استفاده از یادگیری عمیق در تحلیل داده‌های کلان مهندسی
  • 29. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه الگوریتم‌ها
  • 30. ملاحظات امنیتی و پایداری در استقرار سیستم‌های هوشمند
  • 31. چالش‌های پیاده‌سازی مدل‌های هوش مصنوعی در سخت‌افزارهای صنعتی
  • 32. روش‌های تفسیرپذیری مدل‌های جعبه‌سیاه در مهندسی
  • 33. یکپارچه‌سازی هوش مصنوعی با سیستم‌های کنترل صنعتی
  • 34. آینده هوش مصنوعی و نقش آن در تحول دیجیتال صنعت ملی
  • 35. پروژه عملی: طراحی یک مدل پیش‌بینی برای فرآیندهای تولیدی
تگ‌ها: Artificial Intelligence Deep Learning پردازش داده‌ها تکنولوژی‌های نوین شبکه‌های عصبی مصنوعی علوم رایانه هوش مصنوعی هوش مصنوعی در صنعت یادگیری عمیق یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.