فلش‌کارت‌های آموزشی مبانی شبکه‌های عصبی کانولوشنی با تنسورفلو

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی کانولوشنی با تنسورفلو

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. مقدمه‌ای بر شبکه‌های عصبی
• 3. معرفی تنسورفلو
• 4. نصب و راه‌اندازی تنسورفلو
• 5. ساختار داده در تنسورفلو
• 6. تنسورها و عملیات روی آن‌ها
• 7. گرادیان‌ها و محاسبه خودکار مشتق
• 8. تابع هزینه و بهینه‌سازی
• 9. آموزش مدل‌های ساده
• 10. طبقه‌بندی با شبکه‌های عصبی
• 11. شبکه‌های عصبی پرسپترون چندلایه
• 12. توابع فعال‌سازی
• 13. تنظیم هایپرپارامترها
• 14. اعتبارسنجی مدل
• 15. پیش‌پردازش داده‌ها
• 16. تکنیک‌های منظم‌سازی
• 17. از دست دادن (Dropout)
• 18. تنظیم نرخ یادگیری
• 19. بهینه‌سازهای پیشرفته
• 20. معرفی شبکه‌های عصبی کانولوشنی (CNN)
• 21. چرا CNN؟
• 22. لایه کانولوشن
• 23. فیلترها و کرنل‌ها
• 24. عمق کانال‌ها
• 25. لایه پولینگ (Pooling)
• 26. انواع لایه‌های پولینگ
• 27. ساختار پایه CNN
• 28. اولین شبکه کانولوشنی ساده
• 29. مجموعه داده MNIST
• 30. آموزش CNN روی MNIST
• 31. ارزیابی عملکرد CNN
• 32. کاربرد CNN در تشخیص تصویر
• 33. مجموعه داده CIFAR-10
• 34. آموزش CNN روی CIFAR-10
• 35. افزایش داده (Data Augmentation)
• 36. تکنیک‌های افزایش داده
• 37. شبکه‌های عصبی کانولوشنی عمیق‌تر
• 38. شبکه‌های معروف (مانند LeNet-5)
• 39. معماری VGG
• 40. معماری ResNet
• 41. شبکه‌های مبتنی بر Inception
• 42. شبکه‌های MobileNet
• 43. شبکه‌های EfficientNet
• 44. کاربرد CNN در تشخیص اشیاء
• 45. شبکه‌های تشخیص اشیاء (مانند Faster R-CNN)
• 46. شبکه‌های YOLO
• 47. شبکه‌های SSD
• 48. شبکه‌های Mask R-CNN
• 49. کاربرد CNN در بخش‌بندی تصویر (Segmentation)
• 50. شبکه‌های U-Net
• 51. شبکه‌های DeepLab
• 52. کاربرد CNN در پردازش زبان طبیعی (NLP)
• 53. شبکه‌های کانولوشنی برای متن
• 54. کاربرد CNN در تحلیل احساسات
• 55. کاربرد CNN در تولید متن
• 56. کاربرد CNN در تحلیل سری‌های زمانی
• 57. شبکه‌های کانولوشنی برای داده‌های سری زمانی
• 58. شبکه‌های کانولوشنی در پزشکی
• 59. کاربرد CNN در تشخیص بیماری از تصاویر پزشکی
• 60. کاربرد CNN در تحلیل داده‌های ژنتیکی
• 61. کاربرد CNN در رباتیک
• 62. کاربرد CNN در سیستم‌های توصیه‌گر
• 63. کاربرد CNN در گراف‌ها
• 64. شبکه‌های گراف کانولوشنی (GCN)
• 65. معرفی Keras
• 66. استفاده از Keras با تنسورفلو
• 67. ساخت مدل‌های CNN با Keras
• 68. آموزش مدل‌های Keras
• 69. ذخیره و بارگذاری مدل‌های Keras
• 70. بهینه‌سازی مدل‌های CNN
• 71. تکنیک‌های پیشرفته در CNN
• 72. نکات عملی در پیاده‌سازی CNN
• 73. خطاهای رایج در CNN
• 74. یادگیری انتقالی (Transfer Learning)
• 75. کاربرد یادگیری انتقالی در CNN
• 76. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌دیده
• 77. استفاده از مدل‌های پیش‌آموزش‌دیده در Keras
• 78. مبانی شبکه‌های عصبی بازگشتی (RNN)
• 79. کاربرد RNN در پردازش توالی‌ها
• 80. شبکه‌های LSTM
• 81. شبکه‌های GRU
• 82. مقایسه RNN، LSTM و GRU
• 83. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 84. کاربرد GAN در تولید تصویر
• 85. مبانی شبکه‌های ترنسفورمر
• 86. کاربرد ترنسفورمر در NLP
• 87. مبانی یادگیری تقویتی
• 88. کاربرد یادگیری تقویتی با CNN
• 89. ملاحظات اخلاقی در هوش مصنوعی
• 90. حریم خصوصی و امنیت در هوش مصنوعی
• 91. تفسیرپذیری مدل‌های یادگیری ماشین
• 92. استانداردهای داده در ایران
• 93. چارچوب‌های قانونی محتوای دیجیتال
• 94. مقررات بانک مرکزی در رمزارزها
• 95. اصول فقهی در اقتصاد اسلامی
• 96. مسائل شرعی در هنر و رسانه
• 97. تدوین محتوای آموزشی سازگار با موازین.
• 98. فرهنگ خانواده در روانشناسی ایرانی.
• 99. تحلیل تاریخ ایران با رویکرد ملی.
• 100. پروتکل‌های بهداشتی وزارت بهداشت.