کتاب یادگیری عمیق با TensorFlow با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق با TensorFlow

موضوع کلی: فناوری اطلاعات و مهارت‌های دیجیتال

موضوع میانی: مبانی ماشین لرنینگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و شبکه‌های عصبی
• 2. آشنایی با TensorFlow و نصب آن
• 3. مفاهیم پایه تنسورها و عملیات ریاضی در TensorFlow
• 4. ساخت مدل‌های ساده با استفاده از Keras
• 5. آماده‌سازی و پیش‌پردازش داده‌ها برای یادگیری عمیق
• 6. نرمال‌سازی داده‌ها و مقیاس‌بندی
• 7. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 8. ایجاد مدل‌های ترتیبی (Sequential) در Keras
• 9. لایه‌های متداول در شبکه‌های عصبی
• 10. تابع فعال‌سازی سیگموئید و کاربردهای آن
• 11. تابع فعال‌سازی ReLU و مزایای آن
• 12. بهینه‌سازها و الگوریتم‌های گرادیان کاهشی
• 13. تنظیم نرخ یادگیری و اهمیت آن
• 14. تابع زیان (Loss Function) و انتخاب مناسب آن
• 15. معیارهای ارزیابی مدل (Metrics)
• 16. بیش‌برازش (Overfitting) و روش‌های جلوگیری از آن
• 17. تنظیم‌سازی (Regularization) و انواع آن
• 18. Dropout و تاثیر آن بر عملکرد مدل
• 19. ذخیره و بارگذاری مدل‌های TensorFlow
• 20. مدل‌های پیچیده‌تر با استفاده از APIهای Keras
• 21. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصاویر
• 22. فیلترها و لایه‌های کانولوشنال
• 23. Pooling و کاهش ابعاد در CNNها
• 24. معماری‌های معروف CNN (مانند VGG، ResNet)
• 25. تشخیص اشیا با استفاده از CNNها
• 26. شبکه‌های عصبی بازگشتی (RNN) برای پردازش داده‌های ترتیبی
• 27. حافظه کوتاه‌مدت بلندمدت (LSTM) و کاربردهای آن
• 28. شبکه‌های دوجهته (Bidirectional RNN)
• 29. پردازش زبان طبیعی (NLP) با استفاده از TensorFlow
• 30. Word Embeddings و نمایش کلمات به صورت برداری
• 31. مدل‌های زبانی (Language Models)
• 32. ترجمه ماشینی با استفاده از شبکه‌های عصبی
• 33. تولید متن با استفاده از شبکه‌های عصبی
• 34. استفاده از TensorFlow Hub برای انتقال یادگیری
• 35. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 36. مدل‌های مولد تخاصمی (GAN) و کاربردهای آن
• 37. تولید تصاویر با استفاده از GANها
• 38. یادگیری تقویتی (Reinforcement Learning) با TensorFlow
• 39. مفاهیم پایه یادگیری تقویتی
• 40. الگوریتم Q-Learning
• 41. پیاده‌سازی یک عامل یادگیرنده با TensorFlow
• 42. Visualizing مدل‌های TensorFlow با TensorBoard
• 43. عیب‌یابی و رفع اشکال در مدل‌های TensorFlow
• 44. بهینه‌سازی عملکرد مدل‌ها
• 45. استقرار مدل‌های TensorFlow در محیط‌های مختلف