فلش‌کارت‌های آموزشی مقدمه‌ای کاربردی بر شبکه‌های عصبی با پایتورچ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای کاربردی بر شبکه‌های عصبی با پایتورچ

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی و یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و هوش مصنوعی
• 2. تاریخچه شبکه‌های عصبی
• 3. مفاهیم پایه نورون مصنوعی
• 4. توابع فعال‌سازی در شبکه‌های عصبی
• 5. شبکه‌های پرسپترون تک‌لایه
• 6. آموزش پرسپترون تک‌لایه
• 7. شبکه‌های پرسپترون چندلایه
• 8. انتشار رو به عقب خطا (Backpropagation)
• 9. بهینه‌سازی در شبکه‌های عصبی
• 10. نرخ یادگیری و تنظیم آن
• 11. روش‌های بهینه‌سازی پیشرفته (Momentum, Adam)
• 12. تابع هزینه (Loss Function)
• 13. انتخاب تابع هزینه مناسب
• 14. مقدمه‌ای بر پایتورچ (PyTorch)
• 15. نصب و پیکربندی پایتورچ
• 16. مبانی تنسورها در پایتورچ
• 17. عملیات پایه بر روی تنسورها
• 18. چارچوب محاسبات گرادیان در پایتورچ
• 19. تعریف مدل‌های شبکه‌های عصبی در پایتورچ
• 20. ماژول `nn.Module` در پایتورچ
• 21. لایه‌های خطی (Linear Layers)
• 22. لایه‌های کانولوشن (Convolutional Layers)
• 23. لایه‌های تجمعی (Pooling Layers)
• 24. لایه‌های بازگشتی (Recurrent Layers)
• 25. مقدمه‌ای بر یادگیری عمیق
• 26. شبکه‌های عصبی کانولوشنال (CNN)
• 27. معماری‌های معروف CNN (LeNet, AlexNet)
• 28. کاربردهای CNN در پردازش تصویر
• 29. شبکه‌های عصبی بازگشتی (RNN)
• 30. حافظه کوتاه‌مدت طولانی (LSTM)
• 31. واحد بازگشتی دروازه‌ای (GRU)
• 32. کاربردهای RNN در پردازش زبان طبیعی
• 33. یادگیری تقویتی (Reinforcement Learning)
• 34. مقدمه‌ای بر یادگیری بدون نظارت
• 35. کدگذاری کننده‌ها (Autoencoders)
• 36. شبکه‌های مولد تخاصمی (GANs)
• 37. تکنیک‌های پیش‌پردازش داده
• 38. نرمال‌سازی داده‌ها
• 39. افزایش داده (Data Augmentation)
• 40. تقسیم داده به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 41. ارزیابی مدل‌های یادگیری ماشین
• 42. معیارهای ارزیابی طبقه‌بندی (دقت، صحت، فراخوانی)
• 43. ماتریس درهم‌ریختگی (Confusion Matrix)
• 44. معیارهای ارزیابی رگرسیون (MSE, MAE)
• 45. تنظیم فراپارامترها (Hyperparameter Tuning)
• 46. جستجوی شبکه‌ای (Grid Search)
• 47. جستجوی تصادفی (Random Search)
• 48. اعتبارسنجی متقابل (Cross-Validation)
• 49. مدیریت داده‌های نامتوازن
• 50. تکنیک‌های کاهش ابعاد (PCA)
• 51. یادگیری انتقالی (Transfer Learning)
• 52. استفاده از مدل‌های از پیش آموزش‌دیده
• 53. تنظیم دقیق (Fine-tuning) مدل‌ها
• 54. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 55. توکنایز کردن متن (Tokenization)
• 56. بردارسازی کلمات (Word Embeddings)
• 57. Word2Vec و GloVe
• 58. شبکه‌های عصبی ترنسفورمر (Transformers)
• 59. مکانیسم توجه (Attention Mechanism)
• 60. مدل‌های زبانی بزرگ (LLMs)
• 61. کاربردهای LLMs در تولید متن
• 62. ترجمه ماشینی با شبکه‌های عصبی
• 63. خلاصه‌سازی متن با یادگیری عمیق
• 64. تحلیل احساسات (Sentiment Analysis)
• 65. تشخیص موجودیت نام‌دار (Named Entity Recognition)
• 66. مدل‌سازی موضوعی (Topic Modeling)
• 67. مقدمه‌ای بر بینایی ماشین
• 68. تشخیص اشیاء (Object Detection)
• 69. تقسیم‌بندی تصویر (Image Segmentation)
• 70. تولید تصویر با شبکه‌های مولد
• 71. یادگیری عمیق در پزشکی
• 72. تشخیص بیماری‌ها با CNN
• 73. تحلیل تصاویر پزشکی
• 74. کاربرد هوش مصنوعی در اقتصاد اسلامی
• 75. مبانی بانکداری بدون ربا
• 76. عقود اسلامی در نظام بانکی
• 77. اقتصاد مقاومتی و هوش مصنوعی
• 78. کاربرد هوش مصنوعی در مدیریت ریسک مالی
• 79. مدل‌سازی پیش‌بینی تقاضا
• 80. تحلیل داده‌های سری زمانی
• 81. آموزش مدل‌های سری زمانی در پایتورچ
• 82. شبکه‌های عصبی برای پیش‌بینی سری زمانی
• 83. شبکه‌های عصبی گراف (Graph Neural Networks)
• 84. مقدمه‌ای بر شبکه‌های عصبی گرافی
• 85. کاربرد GNN در تحلیل شبکه‌ها
• 86. شبکه‌های عصبی مولد پیشرفته
• 87. GANs برای تولید داده‌های واقع‌گرایانه
• 88. پیشرفت‌های اخیر در GANs
• 89. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 90. حفظ حریم خصوصی در یادگیری ماشین
• 91. پیاده‌سازی مدل‌های یادگیری فدرال
• 92. مقدمه‌ای بر هوش مصنوعی اخلاقی
• 93. سوگیری در الگوریتم‌های هوش مصنوعی
• 94. عدالت و انصاف در هوش مصنوعی
• 95. شفافیت و توضیح‌پذیری در مدل‌ها (XAI)
• 96. کاربردهای هوش مصنوعی در صنعت
• 97. بهینه‌سازی فرآیندهای تولید
• 98. نگهداری پیش‌بینانه
• 99. رباتیک و اتوماسیون صنعتی
• 100. مقدمه‌ای بر یادگیری تقویتی عمیق (DRL)