فلش‌کارت‌های آموزشی شبکه‌های عصبی کانولوشنی مدرن با استفاده از تنسورفلو

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی کانولوشنی مدرن با استفاده از تنسورفلو

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و مهندسی نرم‌افزار
• 2. مبانی برنامه‌نویسی پایتون
• 3. ساختارهای داده در پایتون
• 4. الگوریتم‌های پایه
• 5. مفاهیم اولیه هوش مصنوعی
• 6. مقدمه‌ای بر یادگیری ماشین
• 7. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 8. مقدمه‌ای بر شبکه‌های عصبی
• 9. نورون مصنوعی و توابع فعال‌سازی
• 10. معماری شبکه‌های عصبی ساده
• 11. پس‌انتشار خطا (Backpropagation)
• 12. بهینه‌سازها در شبکه‌های عصبی
• 13. تنظیم پارامترهای شبکه‌های عصبی
• 14. معرفی تنسورفلو (TensorFlow)
• 15. نصب و راه‌اندازی تنسورفلو
• 16. مبانی تنسورها در تنسورفلو
• 17. عملیات پایه با تنسورها
• 18. ایجاد مدل‌های خطی با تنسورفلو
• 19. آموزش مدل‌های خطی
• 20. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 21. معماری شبکه‌های کانولوشنی
• 22. لایه کانولوشن (Convolutional Layer)
• 23. لایه پولینگ (Pooling Layer)
• 24. لایه فعال‌سازی در CNN
• 25. لایه تماماً متصل (Fully Connected Layer)
• 26. معماری LeNet-5
• 27. آموزش شبکه‌های کانولوشنی با تنسورفلو
• 28. کار با مجموعه داده‌های تصویری
• 29. پیش‌پردازش داده‌های تصویری
• 30. استفاده از داده‌افزایی (Data Augmentation)
• 31. مدل‌های CNN پیشرفته
• 32. معماری AlexNet
• 33. معماری VGG
• 34. معماری ResNet
• 35. معماری Inception
• 36. تکنیک‌های تنظیم (Regularization) در CNN
• 37. کاهش بیش‌برازش (Overfitting)
• 38. تنظیم‌گرهای (Regularizers) L1 و L2
• 39. خروجی‌های نرمال‌سازی (Batch Normalization)
• 40. بهبود عملکرد شبکه‌های کانولوشنی
• 41. بهینه‌سازی هایپرتيون (Hyperparameter Tuning)
• 42. جستجوی شبکه‌ای (Grid Search)
• 43. جستجوی تصادفی (Random Search)
• 44. استفاده از ابزارهای تنسورفلو برای تنظیم
• 45. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 46. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 47. کاربرد CNN در NLP
• 48. مدل‌های زبانی
• 49. آموزش مدل‌های زبانی با تنسورفلو
• 50. شبکه‌های عصبی ترنسفورمر (Transformer Networks)
• 51. معماری ترنسفورمر
• 52. کاربرد ترنسفورمر در NLP
• 53. مدل‌های از پیش آموزش دیده (Pre-trained Models)
• 54. استفاده از مدل‌های از پیش آموزش دیده
• 55. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 56. شبکه‌های مولد تخاصمی (GANs)
• 57. معماری GAN
• 58. کاربرد GAN در تولید تصویر
• 59. یادگیری تقویتی (Reinforcement Learning)
• 60. مبانی یادگیری تقویتی
• 61. کاربرد یادگیری تقویتی در CNN
• 62. کار با داده‌های غیرمتوازن
• 63. ارزیابی مدل‌های طبقه‌بندی تصویر
• 64. معیارهای ارزیابی (دقت، صحت، بازیابی)
• 65. ماتریس درهم‌ریختگی (Confusion Matrix)
• 66. تشخیص اشیاء (Object Detection)
• 67. معرفی مدل‌های تشخیص اشیاء
• 68. معماری YOLO
• 69. معماری SSD
• 70. کاربرد CNN در تشخیص اشیاء
• 71. تقسیم‌بندی تصویر (Image Segmentation)
• 72. معرفی مدل‌های تقسیم‌بندی تصویر
• 73. معماری U-Net
• 74. کاربرد CNN در تقسیم‌بندی تصویر
• 75. شبکه‌های عصبی گراف (Graph Neural Networks - GNNs)
• 76. مقدمه‌ای بر GNNs
• 77. کاربرد GNNs در مسائل مختلف
• 78. مفاهیم پیشرفته در شبکه‌های عصبی
• 79. یادگیری انتقالی (Transfer Learning)
• 80. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 81. یادگیری خودنظارتی (Self-supervised Learning)
• 82. شبکه‌های عصبی اسپایکی (Spiking Neural Networks)
• 83. معماری‌های عصبی الهام گرفته از مغز
• 84. کاربرد شبکه‌های عصبی در پزشکی
• 85. کاربرد شبکه‌های عصبی در امور مالی
• 86. کاربرد شبکه‌های عصبی در صنعت
• 87. ملاحظات اخلاقی در هوش مصنوعی
• 88. امنیت و حریم خصوصی در شبکه‌های عصبی
• 89. تفسیرپذیری مدل‌های یادگیری ماشین
• 90. آینده هوش مصنوعی و شبکه‌های عصبی
• 91. پروژه‌های عملی با تنسورفلو
• 92. ساخت یک طبقه‌بند تصویر ساده
• 93. پیاده‌سازی یک مدل تشخیص شیء
• 94. طراحی یک شبکه مولد ساده
• 95. پیاده‌سازی یک مدل پردازش زبان طبیعی
• 96. ساخت یک سیستم توصیه‌گر
• 97. کار با داده‌های سری زمانی
• 98. مقدمه‌ای بر یادگیری عمیق در ایران
• 99. چارچوب‌های قانونی و شرعی در هوش مصنوعی
• 100. استانداردهای حاکم بر داده در ایران