فلش‌کارت‌های آموزشی استفاده از مدل‌های از پیش آموزش‌دیده: راهنمای یادگیری انتقالی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از مدل‌های از پیش آموزش‌دیده: راهنمای یادگیری انتقالی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری انتقالی (Transfer Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری انتقالی
• 2. مفهوم مدل‌های از پیش آموزش‌دیده
• 3. مزایای یادگیری انتقالی
• 4. انواع یادگیری انتقالی
• 5. یادگیری انتقالی نظارت شده
• 6. یادگیری انتقالی بدون نظارت
• 7. یادگیری انتقالی نیمه نظارت شده
• 8. یادگیری انتقالی تقویتی
• 9. معماری‌های متداول شبکه‌های عصبی عمیق
• 10. شبکه‌های کانولوشنال (CNN)
• 11. شبکه‌های بازگشتی (RNN)
• 12. ترنسفورمرها
• 13. معماری‌های پیشرو در یادگیری عمیق
• 14. مبانی شبکه‌های ترنسفورمر
• 15. مکانیزم توجه (Attention Mechanism)
• 16. توکن‌سازی و جاسازی کلمات (Word Embeddings)
• 17. مدل‌های زبانی بزرگ (LLMs)
• 18. مفهوم مدل‌های از پیش آموزش‌دیده در پردازش زبان طبیعی
• 19. مدل‌های مبتنی بر ترنسفورمر
• 20. BERT: Bidirectional Encoder Representations from Transformers
• 21. GPT: Generative Pre-trained Transformer
• 22. کاربردهای BERT
• 23. کاربردهای GPT
• 24. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 25. فرآیند تنظیم دقیق
• 26. انتخاب داده‌های تنظیم دقیق
• 27. روش‌های تنظیم دقیق
• 28. تنظیم دقیق با نظارت
• 29. تنظیم دقیق بدون نظارت
• 30. تنظیم دقیق با یادگیری تقویتی
• 31. تنظیم دقیق با استفاده از پارامترهای کم (Parameter-Efficient Fine-Tuning - PEFT)
• 32. LoRA: Low-Rank Adaptation
• 33. QLoRA
• 34. Prompt Tuning
• 35. Prefix Tuning
• 36. Adapter Tuning
• 37. معیارهای ارزیابی مدل‌های تنظیم شده
• 38. متریک‌های رایج در پردازش زبان طبیعی
• 39. دقت (Accuracy)
• 40. دقت و بازیابی (Precision & Recall)
• 41. امتیاز F1
• 42. BLEU Score
• 43. ROUGE Score
• 44. METEOR Score
• 45. ارزیابی انسانی
• 46. تنظیم دقیق برای وظایف طبقه‌بندی متن
• 47. طبقه‌بندی احساسات (Sentiment Analysis)
• 48. تشخیص اسپم (Spam Detection)
• 49. دسته‌بندی اخبار (News Categorization)
• 50. تنظیم دقیق برای وظایف تولید متن
• 51. تولید خلاصه (Summarization)
• 52. ترجمه ماشینی (Machine Translation)
• 53. پاسخگویی به سوالات (Question Answering)
• 54. تولید متن خلاقانه
• 55. تنظیم دقیق برای وظایف استخراج اطلاعات
• 56. تشخیص موجودیت نام‌گذاری شده (Named Entity Recognition - NER)
• 57. استخراج رابطه (Relation Extraction)
• 58. تنظیم دقیق برای وظایف درک مطلب
• 59. استخراج پاسخ از متن
• 60. خلاصه‌سازی سوالات
• 61. تنظیم دقیق مدل‌های از پیش آموزش‌دیده برای پردازش تصویر
• 62. شبکه‌های کانولوشنال از پیش آموزش‌دیده
• 63. ImageNet
• 64. ResNet
• 65. Inception
• 66. EfficientNet
• 67. کاربردهای مدل‌های از پیش آموزش‌دیده در بینایی کامپیوتر
• 68. طبقه‌بندی تصاویر (Image Classification)
• 69. تشخیص اشیاء (Object Detection)
• 70. تقسیم‌بندی تصاویر (Image Segmentation)
• 71. تولید تصاویر (Image Generation)
• 72. تنظیم دقیق برای وظایف طبقه‌بندی تصویر
• 73. تشخیص بیماری‌ها از روی تصاویر پزشکی
• 74. شناسایی گونه‌های گیاهی/جانوری
• 75. تنظیم دقیق برای وظایف تشخیص اشیاء
• 76. تشخیص و موقعیت‌یابی خودروها در تصاویر ترافیکی
• 77. شناسایی محصولات در قفسه‌های فروشگاه
• 78. تنظیم دقیق برای وظایف تقسیم‌بندی تصویر
• 79. تقسیم‌بندی مناطق مختلف زمین در تصاویر ماهواره‌ای
• 80. شناسایی مرز سلول‌ها در تصاویر میکروسکوپی
• 81. تنظیم دقیق مدل‌های از پیش آموزش‌دیده برای وظایف چندوجهی (Multimodal Tasks)
• 82. پردازش تصویر و متن همزمان
• 83. تولید شرح تصویر (Image Captioning)
• 84. پاسخگویی به سوالات تصویری (Visual Question Answering - VQA)
• 85. تنظیم دقیق برای وظایف چندوجهی
• 86. مدل‌های از پیش آموزش‌دیده برای وظایف صوتی
• 87. تبدیل گفتار به متن (Speech-to-Text)
• 88. شناسایی گوینده (Speaker Recognition)
• 89. تشخیص احساسات در صدا
• 90. کاربرد مدل‌های از پیش آموزش‌دیده در حوزه‌های تخصصی
• 91. یادگیری انتقالی در علم پزشکی
• 92. یادگیری انتقالی در حوزه مالی
• 93. یادگیری انتقالی در صنعت
• 94. ملاحظات اخلاقی در استفاده از مدل‌های از پیش آموزش‌دیده
• 95. سوگیری در مدل‌های از پیش آموزش‌دیده
• 96. حریم خصوصی و امنیت داده‌ها
• 97. تفسیرپذیری مدل‌ها
• 98. چالش‌های پیاده‌سازی یادگیری انتقالی در عمل
• 99. انتخاب مدل مناسب
• 100. مدیریت منابع محاسباتی