فلش‌کارت‌های آموزشی مبانی شبکه‌های عصبی و کاربردهای اولیه آنها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی و کاربردهای اولیه آنها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تعریف شبکه‌های عصبی مصنوعی
• 3. تاریخچه مختصری از شبکه‌های عصبی
• 4. ساختار اساسی نورون مصنوعی
• 5. توابع فعال‌سازی و نقش آن‌ها
• 6. انواع توابع فعال‌سازی رایج
• 7. ورودی‌ها، وزن‌ها و بایاس در نورون
• 8. فرآیند پیش‌خور (Forward Propagation)
• 9. تابع هزینه یا زیان (Loss Function)
• 10. بهینه‌سازی و کاهش خطا
• 11. گرادیان کاهشی (Gradient Descent)
• 12. یادگیری با نظارت (Supervised Learning)
• 13. یادگیری بدون نظارت (Unsupervised Learning)
• 14. یادگیری تقویتی (Reinforcement Learning)
• 15. شبکه‌های عصبی پرسپترون تک لایه
• 16. محدودیت‌های پرسپترون تک لایه
• 17. شبکه‌های عصبی پرسپترون چند لایه (MLP)
• 18. لایه ورودی، لایه‌های پنهان و لایه خروجی
• 19. فرآیند پس‌انتشار خطا (Backpropagation)
• 20. آموزش شبکه‌های عصبی MLP
• 21. تنظیم نرخ یادگیری (Learning Rate)
• 22. از توقف زودهنگام (Early Stopping)
• 23. تنظیم بیش از حد (Overfitting) و روش‌های مقابله
• 24. تنظیم کمتر (Underfitting) و روش‌های رفع
• 25. روش‌های تنظیم پارامترهای شبکه
• 26. اعتبارسنجی متقابل (Cross-Validation)
• 27. یادگیری جمعی (Ensemble Learning)
• 28. شبکه‌های عصبی کانولوشنال (CNN)
• 29. لایه‌های کانولوشن و فیلترها
• 30. لایه‌های ادغام (Pooling Layers)
• 31. کاربردهای CNN در پردازش تصویر
• 32. شبکه‌های عصبی بازگشتی (RNN)
• 33. حافظه در شبکه‌های RNN
• 34. مشکلات گرادیان ناپدید شونده/منفجر شونده
• 35. شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)
• 36. واحدهای سلولی LSTM
• 37. کاربردهای RNN و LSTM در پردازش زبان طبیعی
• 38. ترجمه ماشینی با شبکه‌های عصبی
• 39. تولید متن با شبکه‌های عصبی
• 40. شبکه‌های عصبی مولد تخاصمی (GAN)
• 41. ساختار شبکه‌های GAN
• 42. کاربردهای GAN در تولید تصویر
• 43. یادگیری عمیق (Deep Learning)
• 44. معماری‌های عمیق‌تر شبکه‌های عصبی
• 45. شبکه‌های عصبی ترانسفورمر (Transformer)
• 46. مکانیزم توجه (Attention Mechanism)
• 47. کاربردهای ترانسفورمر در NLP
• 48. شبکه‌های عصبی گراف (GNN)
• 49. کاربرد GNN در تحلیل شبکه‌ها
• 50. مقدمه‌ای بر یادگیری تقویتی عمیق
• 51. عوامل و محیط در یادگیری تقویتی
• 52. تابع پاداش (Reward Function)
• 53. سیاست (Policy) در یادگیری تقویتی
• 54. تابع ارزش (Value Function)
• 55. الگوریتم‌های یادگیری تقویتی Q-Learning
• 56. Deep Q-Networks (DQN)
• 57. روش‌های Actor-Critic
• 58. کاربردهای یادگیری تقویتی در رباتیک
• 59. کاربرد یادگیری تقویتی در بازی‌ها
• 60. مقدمه‌ای بر یادگیری بدون نظارت
• 61. خوشه‌بندی (Clustering)
• 62. الگوریتم K-Means
• 63. تحلیل مولفه‌های اصلی (PCA)
• 64. کاهش ابعاد با PCA
• 65. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 66. ساختار خودرمزگذارها
• 67. انواع خودرمزگذارها
• 68. کاربرد خودرمزگذارها در کاهش ابعاد
• 69. کاربرد خودرمزگذارها در تشخیص ناهنجاری
• 70. شبکه‌های عصبی مولد
• 71. مدل‌های زبانی آماری
• 72. مدل‌های گرافیکی احتمالی
• 73. مقدمه‌ای بر هوش مصنوعی مولد
• 74. تولید محتوا با هوش مصنوعی
• 75. ملاحظات اخلاقی در هوش مصنوعی
• 76. سوگیری در داده‌ها و مدل‌ها
• 77. عدالت و شفافیت در هوش مصنوعی
• 78. امنیت شبکه‌های عصبی
• 79. مقاومت در برابر حملات
• 80. حریم خصوصی و حفاظت از داده‌ها
• 81. کاربردهای شبکه‌های عصبی در پزشکی
• 82. تشخیص بیماری با شبکه‌های عصبی
• 83. پردازش زبان طبیعی برای متون پزشکی
• 84. کاربرد شبکه‌های عصبی در مالی
• 85. پیش‌بینی قیمت سهام
• 86. تشخیص تقلب مالی
• 87. کاربرد شبکه‌های عصبی در خودران‌ها
• 88. تشخیص موانع در خودروهای خودران
• 89. برنامه‌ریزی مسیر برای خودروهای خودران
• 90. کاربرد شبکه‌های عصبی در توصیه‌گرها
• 91. سیستم‌های توصیه‌گر مبتنی بر محتوا
• 92. سیستم‌های توصیه‌گر مشارکتی
• 93. شبکه‌های عصبی برای پردازش سیگنال
• 94. تحلیل سیگنال‌های صوتی
• 95. تشخیص گفتار
• 96. کاربرد شبکه‌های عصبی در سنجش از دور
• 97. تحلیل تصاویر ماهواره‌ای
• 98. طبقه‌بندی کاربری اراضی
• 99. مقدمه‌ای بر مدل‌های ترکیبی
• 100. ترکیب شبکه‌های عصبی با روش‌های دیگر