فلش‌کارت‌های آموزشی طراحی و عملیات شبکه‌های عصبی عمیق با رویکرد عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و عملیات شبکه‌های عصبی عمیق با رویکرد عملی

موضوع کلی: هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی محاسبات و معماری کامپیوتر
• 2. مروری بر کتاب "Wei dian nao cheng shi she ji yu cao zuo" و رویکرد آن
• 3. مفاهیم پایه هوش مصنوعی و یادگیری ماشین
• 4. آشنایی با شبکه‌های عصبی و الهام از زیست‌شناسی
• 5. معرفی انواع شبکه‌های عصبی (MLP, CNN, RNN)
• 6. جبر خطی و کاربرد آن در شبکه‌های عصبی
• 7. حسابان و بهینه‌سازی در شبکه‌های عصبی
• 8. آشنایی با ابزارهای برنامه‌نویسی (Python, TensorFlow, PyTorch)
• 9. نصب و راه‌اندازی محیط توسعه برای شبکه‌های عصبی
• 10. ساختارهای داده و الگوریتم‌های پایه مورد نیاز
• 11. معرفی Tensor و عملیات پایه در TensorFlow
• 12. معرفی Variable و ساختار مدل در TensorFlow
• 13. پیاده‌سازی یک شبکه عصبی ساده (Perceptron)
• 14. تابع فعال‌سازی (Activation Function) و انواع آن
• 15. معرفی تابع هزینه (Loss Function) و انتخاب مناسب آن
• 16. الگوریتم Backpropagation و مفهوم Gradient Descent
• 17. بهینه‌سازی Gradient Descent: Momentum, Adam
• 18. آماده‌سازی داده‌ها برای آموزش شبکه‌های عصبی
• 19. تقسیم‌بندی داده‌ها: Train, Validation, Test
• 20. معیارهای ارزیابی مدل (Accuracy, Precision, Recall, F1-score)
• 21. Overfitting و Underfitting: تشخیص و راه‌حل‌ها
• 22. Regularization: L1, L2, Dropout
• 23. بهینه‌سازی Hyperparameter و روش‌های مختلف آن
• 24. معرفی CNN و کاربرد آن در پردازش تصویر
• 25. عملگر Convolution و انواع آن
• 26. عملگر Pooling و انواع آن
• 27. معماری‌های معروف CNN (LeNet, AlexNet, VGGNet)
• 28. پیاده‌سازی CNN برای طبقه‌بندی تصاویر
• 29. Transfer Learning و استفاده از شبکه‌های پیش‌آموزش‌دیده
• 30. CNN برای تشخیص اشیا (Object Detection)
• 31. CNN برای تقسیم‌بندی تصاویر (Image Segmentation)
• 32. معرفی RNN و کاربرد آن در پردازش زبان طبیعی
• 33. مفهوم Recurrent connection و Hidden state
• 34. انواع RNN (Simple RNN, LSTM, GRU)
• 35. پیاده‌سازی RNN برای پردازش متن
• 36. Embeddings و نحوه استفاده از آن‌ها
• 37. RNN برای تولید متن
• 38. شبکه‌های عصبی ترتیبی (Sequence Models)
• 39. معرفی شبکه‌های Attention و مکانیسم‌های آن
• 40. Transformer و معماری آن
• 41. Transformer برای پردازش زبان طبیعی
• 42. Self-Supervised Learning
• 43. Generative Adversarial Networks (GANs)
• 44. Variational Autoencoders (VAEs)
• 45. Autoencoders و کاربردهای آن
• 46. تبدیل داده و مهندسی ویژگی
• 47. انتخاب ویژگی (Feature Selection)
• 48. مدل‌سازی سری‌های زمانی
• 49. پردازش زبان طبیعی با استفاده از شبکه‌های عصبی
• 50. پردازش تصویر با شبکه‌های عصبی
• 51. یادگیری تقویتی (Reinforcement Learning)
• 52. مقدمه‌ای بر Reinforcement Learning
• 53. Markov Decision Process (MDP)
• 54. Q-learning
• 55. Deep Q-Network (DQN)
• 56. Policy Gradients
• 57. Actor-Critic Methods
• 58. مبانی معماری‌های سخت‌افزاری کامپیوتر برای یادگیری عمیق (GPU, TPU)
• 59. بهینه‌سازی مدل برای اجرا روی سخت‌افزار
• 60. مدل‌های بزرگ زبان
• 61. یادگیری فدرال (Federated Learning)
• 62. آشنایی با شبکه‌های عصبی سیامی (Siamese Networks)
• 63. شبکه‌های عصبی گراف (Graph Neural Networks)
• 64. معرفی کتابخانه‌های تخصصی (Keras, Fastai)
• 65. کاربرد شبکه‌های عصبی در تشخیص چهره
• 66. کاربرد شبکه‌های عصبی در تشخیص صدا
• 67. کاربرد شبکه‌های عصبی در پزشکی
• 68. کاربرد شبکه‌های عصبی در صنعت
• 69. کاربرد شبکه‌های عصبی در علوم داده
• 70. ساخت و آموزش مدل‌های بزرگ
• 71. فرایند مهندسی مدل
• 72. آزمایش A/B
• 73. استقرار مدل (Model Deployment)
• 74. مفاهیم امنیت در شبکه‌های عصبی
• 75. توضیح‌پذیری شبکه‌های عصبی
• 76. مشکلات اخلاقی در هوش مصنوعی
• 77. مقایسه کتابخانه های یادگیری عمیق
• 78. مدل‌های پیش‌آموزش‌داده‌شده و تنظیم دقیق
• 79. ترکیب انواع شبکه‌های عصبی
• 80. بررسی مقالات علمی جدید در حوزه یادگیری عمیق
• 81. مسابقات و چالش‌های یادگیری ماشین
• 82. آشنایی با روش‌های افزایش سرعت آموزش
• 83. مبانی محاسبات موازی و توزیع‌شده برای شبکه‌های عصبی
• 84. مدیریت حافظه در شبکه‌های عصبی
• 85. طراحی معماری شبکه عصبی با توجه به نیازهای مسئله
• 86. ابزارهای مانیتورینگ و اشکال‌زدایی مدل
• 87. ارزیابی ریسک و قابلیت اطمینان مدل
• 88. مفاهیم DevOps در هوش مصنوعی
• 89. اتوماسیون فرایند آموزش و استقرار مدل
• 90. آشنایی با مفاهیم Blockchain و کاربرد آن در هوش مصنوعی
• 91. مقدمه ای بر متاورس و کاربرد یادگیری عمیق در آن
• 92. فناوری‌های نوین و آینده هوش مصنوعی
• 93. ارتباط هوش مصنوعی با سایر حوزه‌ها
• 94. تأثیرات اجتماعی و اقتصادی هوش مصنوعی
• 95. مروری بر کارهای پایانی دوره و پروژه‌های عملی
• 96. جمع‌بندی و نتیجه‌گیری
• 97. معرفی منابع بیشتر برای یادگیری
• 98. چشم‌انداز و مسیر پیشرفت در حوزه یادگیری عمیق