کتاب پیاده‌سازی شبکه‌های عصبی با پایتون با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی شبکه‌های عصبی با پایتون

موضوع کلی: سیستم‌های کامپیوتری پیشرفته

موضوع میانی: شبکه‌های عصبی (Neural Networks)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی
• 2. آشنایی با پایتون برای یادگیری ماشین
• 3. نصب و پیکربندی محیط توسعه پایتون
• 4. مبانی ریاضی شبکه‌های عصبی: جبر خطی
• 5. مبانی ریاضی شبکه‌های عصبی: حساب دیفرانسیل و انتگرال
• 6. مبانی یادگیری ماشین: نظارت شده، بدون نظارت، نیمه نظارت شده
• 7. معرفی کتابخانه‌های پایتون برای شبکه‌های عصبی: NumPy
• 8. معرفی کتابخانه‌های پایتون برای شبکه‌های عصبی: Pandas
• 9. معرفی کتابخانه‌های پایتون برای شبکه‌های عصبی: Matplotlib
• 10. معرفی کتابخانه‌های پایتون برای شبکه‌های عصبی: Scikit-learn
• 11. شبکه‌های عصبی تک لایه: پرسپترون
• 12. تابع فعال‌سازی: سیگموئید، ReLU، تانژانت هذلولی
• 13. روش پس‌انتشار خطا (Backpropagation)
• 14. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 15. نرخ یادگیری و تنظیم آن
• 16. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 17. تکنیک‌های جلوگیری از بیش‌برازش: تنظیم‌سازی (Regularization)
• 18. شبکه‌های عصبی چندلایه (Multilayer Perceptron - MLP)
• 19. انتخاب تعداد لایه‌ها و نورون‌ها
• 20. معماری‌های مختلف شبکه‌های عصبی
• 21. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)
• 22. کاربردهای شبکه‌های عصبی کانولوشنی در پردازش تصویر
• 23. لایه کانولوشن (Convolutional Layer)
• 24. لایه تجمیع (Pooling Layer)
• 25. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 26. کاربردهای شبکه‌های عصبی بازگشتی در پردازش زبان طبیعی
• 27. حافظه کوتاه‌مدت بلندمدت (Long Short-Term Memory - LSTM)
• 28. درک مفاهیم توالی و سری‌های زمانی
• 29. شبکه‌های مولد تخاصمی (Generative Adversarial Networks - GAN)
• 30. کاربردهای شبکه‌های GAN در تولید داده
• 31. اتوانکودرها (Autoencoders)
• 32. کاهش ابعاد و نمایش داده
• 33. یادگیری انتقالی (Transfer Learning)
• 34. استفاده از مدل‌های پیش‌آموزش‌دیده
• 35. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌دیده
• 36. ارزیابی عملکرد شبکه‌های عصبی: دقت، صحت، Recall
• 37. متریک‌های ارزیابی پیشرفته: F1-score، AUC-ROC
• 38. اعتبارسنجی متقابل (Cross-Validation)
• 39. انتخاب مدل و بهینه‌سازی پارامترها
• 40. مستندسازی و گزارش نتایج
• 41. استقرار مدل‌های شبکه‌های عصبی
• 42. استفاده از فریم‌ورک‌های استقرار مدل
• 43. بهینه‌سازی مدل برای استقرار
• 44. مفاهیم پیشرفته: یادگیری تقویتی (Reinforcement Learning)
• 45. کاربردهای یادگیری تقویتی در رباتیک و بازی‌ها