فلش‌کارت‌های آموزشی راهنمای جامع برای ساخت و آموزش MLP از صفر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع برای ساخت و آموزش MLP از صفر

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی پرسپترون چند لایه (MLP)

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم پایه یادگیری ماشین
• 2. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 3. تاریخچه و تکامل شبکه‌های عصبی
• 4. شبکه‌های پرسپترون تک‌لایه
• 5. محدودیت‌های پرسپترون تک‌لایه
• 6. معرفی شبکه‌های پرسپترون چندلایه (MLP)
• 7. معماری پایه MLP
• 8. تابع فعال‌سازی و انواع آن
• 9. توابع فعال‌سازی رایج: سیگموئید، ReLU، تانژانت هیپربولیک
• 10. مفهوم وزن‌ها و بایاس در MLP
• 11. انتشار رو به جلو (Forward Propagation)
• 12. محاسبه خروجی در MLP
• 13. تابع هزینه (Loss Function)
• 14. توابع هزینه رایج: خطای میانگین مربعات، آنتروپی متقاطع
• 15. انتشار رو به عقب (Backpropagation)
• 16. محاسبه گرادیان‌ها
• 17. قانون زنجیره‌ای در انتشار رو به عقب
• 18. بهینه‌سازی وزن‌ها و بایاس‌ها
• 19. گرادیان کاهشی (Gradient Descent)
• 20. انواع گرادیان کاهشی: دسته‌ای، تصادفی، مینی‌بچ
• 21. نرخ یادگیری (Learning Rate)
• 22. تنظیم نرخ یادگیری
• 23. مفهوم اپوک (Epoch)
• 24. بچ سایز (Batch Size)
• 25. اعتبارسنجی مدل (Validation)
• 26. مجموعه داده‌های آموزشی، اعتبارسنجی و آزمون
• 27. بیش‌برازش (Overfitting)
• 28. کم‌برازش (Underfitting)
• 29. تکنیک‌های جلوگیری از بیش‌برازش
• 30. تنظیم‌گری (Regularization): L1 و L2
• 31. تسلیم (Dropout)
• 32. توقف زودهنگام (Early Stopping)
• 33. بایاس و واریانس (Bias-Variance Tradeoff)
• 34. انتخاب بهینه معماری MLP
• 35. تعداد لایه‌های پنهان
• 36. تعداد نورون‌ها در هر لایه
• 37. انتخاب تابع فعال‌سازی مناسب
• 38. آماده‌سازی داده‌ها برای MLP
• 39. نرمال‌سازی (Normalization)
• 40. استانداردسازی (Standardization)
• 41. کدگذاری ویژگی‌های دسته‌ای (Categorical Feature Encoding)
• 42. استفاده از کتابخانه‌های پایتون برای MLP: NumPy
• 43. مقدمه‌ای بر TensorFlow و Keras
• 44. نصب و راه‌اندازی TensorFlow و Keras
• 45. ساخت یک MLP ساده با Keras
• 46. تعریف مدل Sequential
• 47. اضافه کردن لایه‌ها به مدل
• 48. کامپایل کردن مدل
• 49. آموزش مدل
• 50. ارزیابی مدل
• 51. پیش‌بینی با مدل آموزش‌دیده
• 52. مثال کاربردی: طبقه‌بندی داده‌های عددی (مثال: مجموعه داده Iris)
• 53. تنظیم پارامترهای MLP برای طبقه‌بندی Iris
• 54. مثال کاربردی: رگرسیون بر روی داده‌های عددی (مثال: پیش‌بینی قیمت مسکن)
• 55. تنظیم پارامترهای MLP برای رگرسیون
• 56. آشنایی با مجموعه‌های داده استاندارد برای آموزش MLP
• 57. مجموعه داده MNIST برای تشخیص ارقام دست‌نویس
• 58. آموزش MLP برای تشخیص ارقام MNIST
• 59. تنظیمات پیشرفته در Keras
• 60. نحوه استفاده از لایه‌های مختلف (Dense, Dropout, BatchNormalization)
• 61. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 62. استفاده از callbacks در Keras
• 63. مدیریت خروجی‌های مدل
• 64. عیب‌یابی مشکلات رایج در آموزش MLP
• 65. تشخیص و رفع خطاهای رایج
• 66. تفسیر نتایج آموزش
• 67. آشنایی با مفاهیم عمیق‌تر در شبکه‌های عصبی
• 68. شبکه‌های عصبی کانولوشنال (CNN) - مقدماتی
• 69. شبکه‌های عصبی بازگشتی (RNN) - مقدماتی
• 70. یادگیری انتقالی (Transfer Learning) - مقدماتی
• 71. کاربرد MLP در پردازش زبان طبیعی (NLP) - مقدماتی
• 72. کاربرد MLP در بینایی ماشین (Computer Vision) - مقدماتی
• 73. ملاحظات اخلاقی در استفاده از هوش مصنوعی و یادگیری ماشین
• 74. اهمیت حفظ حریم خصوصی داده‌ها
• 75. عدالت و عدم تبعیض در الگوریتم‌ها
• 76. شفافیت در مدل‌های هوش مصنوعی
• 77. مسئولیت‌پذیری در توسعه و به‌کارگیری هوش مصنوعی
• 78. مقدمه‌ای بر چارچوب‌های قانونی و شرعی مرتبط با محتوای آموزشی دیجیتال در ایران
• 79. آیین‌نامه ساماندهی محتوای دیجیتال
• 80. مصوبات شورای عالی انقلاب فرهنگی
• 81. حدود شرعی در تولید محتوا
• 82. انطباق مفاهیم با مذهب رسمی کشور (تشیع اثنی‌عشری)
• 83. جایگزینی مفاهیم حساس با معادل‌های سازگار
• 84. رویکردهای علمی و فقهی در موضوعات حساس
• 85. اقتصاد اسلامی و بانکداری بدون ربا در MLP
• 86. کاربرد MLP در تحلیل اقتصادی اسلامی
• 87. ملاحظات شرعی در استفاده از داده‌ها
• 88. اصول خانواده ایرانی-اسلامی در روانشناسی روابط
• 89. رویکرد اسلامی به ازدواج و روابط خانوادگی
• 90. کاربرد MLP در تحلیل داده‌های مرتبط با خانواده
• 91. ملاحظات تاریخی و سیاسی در تحلیل داده‌ها
• 92. منافع ملی در چارچوب رسمی
• 93. پرهیز از مغالطه و تحریف تاریخی
• 94. پروتکل‌های وزارت بهداشت در علوم پزشکی
• 95. استفاده از MLP در تحلیل داده‌های پزشکی
• 96. پرهیز از ترویج طب جایگزین بی‌اساس
• 97. اصطلاحات علمی و فنی در فارسی
• 98. استفاده از واژگان محترمانه
• 99. پرهیز از ادبیات نامناسب
• 100. استفاده از منابع علمی معتبر داخلی