فلش‌کارت‌های آموزشی آموزش خودرمزگذار (Autoencoder) در پایتون با استفاده از Keras و TensorFlow

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش خودرمزگذار (Autoencoder) در پایتون با استفاده از Keras و TensorFlow

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. آشنایی با مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و مزایای یادگیری ماشین
• 5. نصب و راه‌اندازی محیط توسعه پایتون
• 6. آشنایی با کتابخانه‌های NumPy و Pandas
• 7. مبانی برنامه‌نویسی در پایتون برای علم داده
• 8. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 9. ساختار نورون مصنوعی و توابع فعال‌سازی
• 10. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 11. آموزش شبکه‌های عصبی با پس‌انتشار خطا (Backpropagation)
• 12. بهینه‌سازها در آموزش شبکه‌های عصبی
• 13. تنظیم فراپارامترها و جلوگیری از بیش‌برازش (Overfitting)
• 14. مقدمه‌ای بر یادگیری عمیق
• 15. شبکه‌های عصبی کانولوشنی (CNN)
• 16. کاربرد CNN در پردازش تصویر
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. کاربرد RNN در پردازش زبان طبیعی
• 19. مقدمه‌ای بر خودرمزگذارها (Autoencoders)
• 20. ساختار پایه خودرمزگذار
• 21. رمزگذار (Encoder) در خودرمزگذار
• 22. رمزگشا (Decoder) در خودرمزگذار
• 23. تابع هزینه (Loss Function) در خودرمزگذار
• 24. مراحل آموزش یک خودرمزگذار ساده
• 25. پیاده‌سازی خودرمزگذار با Keras
• 26. ساخت مدل خودرمزگذار در Keras
• 27. کامپایل کردن مدل خودرمزگذار
• 28. آموزش مدل خودرمزگذار با داده‌ها
• 29. ارزیابی عملکرد خودرمزگذار
• 30. کاربرد خودرمزگذار در کاهش ابعاد
• 31. کاهش ابعاد با استفاده از خودرمزگذار
• 32. تجسم داده‌ها پس از کاهش ابعاد
• 33. کاربرد خودرمزگذار در حذف نویز (Denoising Autoencoders)
• 34. ساخت یک خودرمزگذار حذف نویز
• 35. آموزش خودرمزگذار حذف نویز
• 36. کاربرد خودرمزگذار حذف نویز در بازسازی تصاویر
• 37. کاربرد خودرمزگذار در تولید داده (Generative Models)
• 38. مقدمه‌ای بر مدل‌های مولد
• 39. ملاحظات اخلاقی در هوش مصنوعی
• 40. حریم خصوصی در داده‌های آموزشی
• 41. امنیت در سیستم‌های هوش مصنوعی
• 42. مسئولیت‌پذیری در هوش مصنوعی
• 43. مقدمه‌ای بر TensorFlow
• 44. نصب و پیکربندی TensorFlow
• 45. کار با تنسورها در TensorFlow
• 46. ساخت مدل‌های تنسورفلو
• 47. آموزش مدل‌ها در TensorFlow
• 48. کاربرد TensorFlow در یادگیری عمیق
• 49. مقدمه‌ای بر Keras
• 50. ساختار لایه‌ها در Keras
• 51. ساخت مدل‌های ترتیبی (Sequential) در Keras
• 52. ساخت مدل‌های تابع (Functional API) در Keras
• 53. کامپایل کردن مدل‌ها در Keras
• 54. آموزش مدل‌ها با Keras
• 55. ارزیابی مدل‌ها در Keras
• 56. ذخیره و بارگذاری مدل‌ها در Keras
• 57. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 58. پاکسازی داده‌های پرت (Outliers)
• 59. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 60. رمزگذاری متغیرهای دسته‌ای (Categorical Encoding)
• 61. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 62. معرفی مجموعه داده‌های استاندارد
• 63. ساخت خودرمزگذار متغیر (Variational Autoencoders - VAEs)
• 64. ساختار VAE
• 65. تفاوت VAE با خودرمزگذار استاندارد
• 66. آموزش VAE
• 67. کاربرد VAE در تولید داده‌های جدید
• 68. مدل‌های خودرمزگذار پیشرفته
• 69. خودرمزگذارهای عمیق (Deep Autoencoders)
• 70. خودرمزگذارهای اسپارس (Sparse Autoencoders)
• 71. خودرمزگذارهای کانولوشنی (Convolutional Autoencoders)
• 72. خودرمزگذارهای بازگشتی (Recurrent Autoencoders)
• 73. تنظیم خودرمزگذارها برای وظایف خاص
• 74. تنظیم فراپارامترهای خودرمزگذار
• 75. بهینه‌سازی معماری خودرمزگذار
• 76. استفاده از تکنیک‌های منظم‌سازی (Regularization)
• 77. کاربرد خودرمزگذار در تشخیص ناهنجاری (Anomaly Detection)
• 78. ساخت مدل تشخیص ناهنجاری با خودرمزگذار
• 79. ارزیابی مدل تشخیص ناهنجاری
• 80. کاربرد خودرمزگذار در فشرده‌سازی داده‌ها
• 81. مقایسه خودرمزگذار با روش‌های فشرده‌سازی سنتی
• 82. پیاده‌سازی فشرده‌سازی تصویر با خودرمزگذار
• 83. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GANs)
• 84. ساختار GAN
• 85. تفاوت GAN با خودرمزگذار
• 86. کاربرد GAN در تولید تصویر
• 87. کاربرد خودرمزگذار در یادگیری بازنمایی (Representation Learning)
• 88. یادگیری بازنمایی‌های مفید از داده‌ها
• 89. استفاده از بازنمایی‌های آموخته شده در وظایف دیگر
• 90. ملاحظات عملی در پیاده‌سازی خودرمزگذار
• 91. مدیریت حافظه در آموزش مدل‌های بزرگ
• 92. استفاده از GPU برای تسریع آموزش
• 93. اشکال‌زدایی (Debugging) مدل‌های یادگیری عمیق
• 94. نکات پایانی و گام‌های بعدی در یادگیری ماشین