فلش‌کارت‌های آموزشی شبکه‌های عصبی بازگشتی (RNN) و حافظه بلندمدت (LSTM): آموزش گام به گام

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی بازگشتی (RNN) و حافظه بلندمدت (LSTM): آموزش گام به گام

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 2. مبانی شبکه‌های عصبی مصنوعی
• 3. توابع فعال‌سازی در شبکه‌های عصبی
• 4. آموزش شبکه‌های عصبی با پس‌انتشار خطا
• 5. مروری بر یادگیری عمیق
• 6. واژگان کلیدی در شبکه‌های عصبی
• 7. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 8. محدودیت‌های شبکه‌های عصبی پیشخور
• 9. مفهوم حافظه در مدل‌های یادگیری ماشین
• 10. معرفی شبکه‌های عصبی بازگشتی (RNN)
• 11. ساختار یک سلول RNN پایه
• 12. جریان اطلاعات در RNN
• 13. مشکل محو شدن گرادیان در RNN های عمیق
• 14. مشکل انفجار گرادیان در RNN های عمیق
• 15. انتشار گرادیان در طول زمان
• 16. نحوه مدیریت گرادیان‌های بزرگ و کوچک
• 17. آموزش RNN های پایه با داده‌های متوالی
• 18. پیاده‌سازی RNN با پایتون و کتابخانه‌های مرتبط
• 19. مروری بر داده‌های سری زمانی
• 20. پیش‌بینی سری زمانی با RNN
• 21. مدل‌سازی زبان با RNN
• 22. تولید متن با RNN
• 23. تشخیص احساسات با RNN
• 24. ترجمه ماشینی ساده با RNN
• 25. کاربرد RNN در تشخیص گفتار
• 26. کاربرد RNN در تحلیل ویدئو
• 27. معرفی سلول حافظه بلندمدت (LSTM)
• 28. ساختار درونی سلول LSTM
• 29. گیت فراموشی در LSTM
• 30. گیت ورودی در LSTM
• 31. گیت خروجی در LSTM
• 32. نحوه عملکرد گیت‌های LSTM
• 33. مزایای LSTM نسبت به RNN پایه
• 34. آموزش LSTM با داده‌های متوالی
• 35. پیاده‌سازی LSTM با پایتون
• 36. مقایسه LSTM و RNN پایه
• 37. کاربرد LSTM در پیش‌بینی سری زمانی
• 38. کاربرد LSTM در مدل‌سازی زبان پیچیده
• 39. کاربرد LSTM در تولید متن خلاقانه
• 40. کاربرد LSTM در تشخیص احساسات دقیق‌تر
• 41. ترجمه ماشینی پیشرفته با LSTM
• 42. کاربرد LSTM در تشخیص گفتار با دقت بالا
• 43. کاربرد LSTM در تحلیل ویدئوهای طولانی
• 44. معرفی واحد بازگشتی دروازه‌بندی شده (GRU)
• 45. ساختار درونی سلول GRU
• 46. گیت به‌روزرسانی در GRU
• 47. گیت بازنشانی در GRU
• 48. مقایسه GRU و LSTM
• 49. مزایای GRU نسبت به LSTM
• 50. آموزش GRU با داده‌های متوالی
• 51. پیاده‌سازی GRU با پایتون
• 52. کاربرد GRU در پیش‌بینی سری زمانی
• 53. کاربرد GRU در مدل‌سازی زبان
• 54. کاربرد GRU در تولید متن
• 55. کاربرد GRU در تشخیص احساسات
• 56. ترجمه ماشینی با GRU
• 57. کاربرد GRU در تشخیص گفتار
• 58. کاربرد GRU در تحلیل ویدئو
• 59. شبکه‌های عصبی دوطرفه (Bidirectional RNN)
• 60. نحوه عملکرد شبکه‌های دوطرفه
• 61. مزایای شبکه‌های دوطرفه
• 62. کاربرد شبکه‌های دوطرفه در پردازش زبان طبیعی
• 63. شبکه‌های عصبی انباشته (Stacked RNN/LSTM)
• 64. نحوه انباشته کردن لایه‌ها
• 65. مزایای شبکه‌های انباشته
• 66. کاربرد شبکه‌های انباشته
• 67. تنظیم ابرپارامترها در RNN و LSTM
• 68. انتخاب نرخ یادگیری مناسب
• 69. تنظیم اندازه دسته (Batch Size)
• 70. تنظیم تعداد دوره‌های آموزشی (Epochs)
• 71. استفاده از تکنیک‌های منظم‌سازی (Regularization)
• 72. کاهش نرخ یادگیری (Learning Rate Decay)
• 73. استفاده از Dropout در RNN و LSTM
• 74. مدیریت داده‌های نامتوازن
• 75. ارزیابی مدل‌های RNN و LSTM
• 76. معیارهای ارزیابی برای پیش‌بینی
• 77. معیارهای ارزیابی برای مدل‌سازی زبان
• 78. معیارهای ارزیابی برای تولید متن
• 79. اعتبارسنجی متقابل (Cross-validation)
• 80. عیب‌یابی مدل‌های RNN و LSTM
• 81. تحلیل خطاها و اشکالات رایج
• 82. بهینه‌سازی عملکرد مدل
• 83. ملاحظات پیاده‌سازی در مقیاس بزرگ
• 84. کاربرد RNN و LSTM در حوزه سلامت
• 85. کاربرد RNN و LSTM در حوزه مالی
• 86. کاربرد RNN و LSTM در حوزه آموزش
• 87. کاربرد RNN و LSTM در حوزه صنعت
• 88. روندهای نوین در شبکه‌های عصبی بازگشتی
• 89. شبکه‌های عصبی ترنسفورمر (Transformer Networks)
• 90. مقدمه‌ای بر مکانیزم توجه (Attention Mechanism)
• 91. مقایسه ترنسفورمر با RNN و LSTM
• 92. آینده شبکه‌های عصبی بازگشتی