فلش‌کارت‌های آموزشی مبانی یادگیری عمیق با TensorFlow برای توسعه‌دهندگان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری عمیق با TensorFlow برای توسعه‌دهندگان

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق با استفاده از کتابخانه‌های متن‌باز

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، نظارت‌نشده، تقویتی
• 4. معماری شبکه‌های عصبی مصنوعی
• 5. تابع فعال‌سازی در شبکه‌های عصبی
• 6. تابع زیان (Loss Function)
• 7. بهینه‌سازها (Optimizers)
• 8. مقدمه‌ای بر TensorFlow
• 9. نصب و راه‌اندازی TensorFlow
• 10. تنسورها (Tensors) در TensorFlow
• 11. عملیات روی تنسورها
• 12. گراف‌های محاسباتی در TensorFlow
• 13. سشن‌های TensorFlow
• 14. مدل‌های خطی ساده با TensorFlow
• 15. رگرسیون خطی با TensorFlow
• 16. طبقه‌بندی با TensorFlow
• 17. رگرسیون لجستیک با TensorFlow
• 18. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 19. آموزش شبکه‌های MLP
• 20. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 21. اعتبارسنجی متقابل (Cross-Validation)
• 22. مدیریت داده‌ها در TensorFlow
• 23. بارگذاری و پیش‌پردازش داده‌ها
• 24. استفاده از Keras API در TensorFlow
• 25. ساخت مدل‌های ترتیبی (Sequential Models)
• 26. لایه‌های Dense (Fully Connected)
• 27. لایه‌های Dropout برای جلوگیری از بیش‌برازش (Overfitting)
• 28. لایه‌های Batch Normalization
• 29. آموزش مدل‌های Keras
• 30. ارزیابی مدل‌های Keras
• 31. ذخیره و بارگذاری مدل‌ها
• 32. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 33. لایه‌های کانولوشن (Convolutional Layers)
• 34. لایه‌های Pooling
• 35. ساخت مدل‌های CNN
• 36. کاربرد CNN در تشخیص تصویر
• 37. مجموعه داده‌های تصویری رایج
• 38. پیش‌پردازش تصاویر برای CNN
• 39. افزایش داده (Data Augmentation)
• 40. آموزش مدل‌های CNN
• 41. تنظیم دقیق (Fine-tuning) مدل‌های CNN از پیش آموزش‌دیده
• 42. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 43. لایه‌های RNN ساده
• 44. لایه‌های LSTM (Long Short-Term Memory)
• 45. لایه‌های GRU (Gated Recurrent Unit)
• 46. ساخت مدل‌های RNN
• 47. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 48. مدل‌سازی زبان
• 49. ترجمه ماشینی با RNN
• 50. تشخیص احساسات با RNN
• 51. آموزش مدل‌های RNN
• 52. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 53. معماری GAN
• 54. آموزش GAN
• 55. کاربرد GAN در تولید تصویر
• 56. یادگیری عمیق برای داده‌های جدولی
• 57. استفاده از TensorFlow برای داده‌های جدولی
• 58. مدل‌های ترکیبی
• 59. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 60. استفاده از مدل‌های از پیش آموزش‌دیده
• 61. بهینه‌سازی مدل‌ها برای محیط‌های تولید
• 62. استقرار مدل‌های TensorFlow
• 63. TensorFlow Lite برای دستگاه‌های موبایل
• 64. TensorFlow.js برای وب
• 65. مقدمه‌ای بر مفاهیم پیشرفته یادگیری عمیق
• 66. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 67. شبکه‌های عصبی گراف (Graph Neural Networks)
• 68. یادگیری خودنظارت‌شده (Self-Supervised Learning)
• 69. یادگیری فدرال (Federated Learning)
• 70. اخلاق در هوش مصنوعی
• 71. سوگیری در مدل‌های هوش مصنوعی
• 72. تفسیرپذیری مدل‌های یادگیری عمیق (Explainable AI)
• 73. کاربرد هوش مصنوعی در صنعت
• 74. کاربرد هوش مصنوعی در پزشکی
• 75. کاربرد هوش مصنوعی در مالی
• 76. کاربرد هوش مصنوعی در آموزش
• 77. کاربرد هوش مصنوعی در رباتیک
• 78. کاربرد هوش مصنوعی در کشاورزی
• 79. کاربرد هوش مصنوعی در محیط زیست
• 80. کاربرد هوش مصنوعی در هنر
• 81. مباحث پیشرفته در TensorFlow
• 82. TensorFlow Extended (TFX)
• 83. TensorFlow Probability
• 84. TensorFlow Federated
• 85. TensorFlow Quantum
• 86. TensorFlow Agents
• 87. TensorFlow Datasets
• 88. TensorFlow Hub
• 89. TensorFlow Model Garden
• 90. TensorFlow Lite Model Maker
• 91. TensorFlow Profiler
• 92. TensorFlow Debugger
• 93. TensorFlow Playground
• 94. TensorFlow Extended Pipelines
• 95. TensorFlow Model Analysis
• 96. TensorFlow Serving
• 97. TensorFlow Lite Converter
• 98. TensorFlow Lite Interpreter
• 99. TensorFlow Lite Task Library
• 100. TensorFlow Lite Support Library