فلش‌کارت‌های آموزشی هوش مصنوعی و آینده‌ی یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی و آینده‌ی یادگیری عمیق

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تعامل انسان و ماشین با LLMs (Human-AI Interaction)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری عمیق
• 2. مبانی یادگیری ماشینی
• 3. انواع یادگیری ماشینی: نظارت شده، بدون نظارت، تقویتی
• 4. مفاهیم اساسی یادگیری عمیق
• 5. شبکه‌های عصبی مصنوعی (ANN)
• 6. تابع فعال‌سازی و پس‌انتشار خطا
• 7. شبکه‌های عصبی پیچشی (CNN)
• 8. کاربرد CNN در پردازش تصویر
• 9. شبکه‌های عصبی بازگشتی (RNN)
• 10. کاربرد RNN در پردازش زبان طبیعی
• 11. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 12. شبکه‌های حافظه کوتاه مدت (GRU)
• 13. مکانیسم توجه (Attention Mechanism)
• 14. ترنسفورمرها (Transformers)
• 15. مدل‌های زبانی بزرگ (LLM)
• 16. معماری ترنسفورمر
• 17. آموزش مدل‌های ترنسفورمر
• 18. کاربرد ترنسفورمر در ترجمه ماشینی
• 19. کاربرد ترنسفورمر در تولید متن
• 20. یادگیری انتقالی (Transfer Learning)
• 21. تنظیم دقیق مدل‌ها (Fine-tuning)
• 22. روش‌های پیش‌گیری از بیش‌برازش (Overfitting)
• 23. تنظیم‌گری (Regularization)
• 24. تکنیک‌های کاهش ابعاد
• 25. تحلیل مؤلفه‌های اصلی (PCA)
• 26. شبکه‌های عصبی مولد (GAN)
• 27. کاربرد GAN در تولید تصویر
• 28. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 29. کاربرد Autoencoders در کاهش ابعاد
• 30. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 31. محیط‌ها و عامل‌ها در یادگیری تقویتی
• 32. الگوریتم‌های یادگیری تقویتی
• 33. یادگیری بدون نظارت در یادگیری عمیق
• 34. خوشه‌بندی با استفاده از شبکه‌های عصبی
• 35. کاهش ابعاد غیرخطی
• 36. یادگیری عمیق در پردازش گفتار
• 37. شناسایی گفتار
• 38. تولید گفتار
• 39. یادگیری عمیق در سیستم‌های توصیه‌گر
• 40. فیلترینگ مشارکتی با یادگیری عمیق
• 41. فیلترینگ مبتنی بر محتوا با یادگیری عمیق
• 42. یادگیری عمیق در رباتیک
• 43. کنترل ربات با یادگیری عمیق
• 44. بینایی ماشین با یادگیری عمیق
• 45. تشخیص اشیاء
• 46. تقسیم‌بندی تصاویر
• 47. تفسیرپذیری مدل‌های یادگیری عمیق (XAI)
• 48. روش‌های توضیح‌پذیری مدل‌ها
• 49. اخلاق در هوش مصنوعی
• 50. مسئولیت‌پذیری در هوش مصنوعی
• 51. حریم خصوصی در هوش مصنوعی
• 52. سوگیری در داده‌ها و مدل‌ها
• 53. توسعه پایدار با هوش مصنوعی
• 54. هوش مصنوعی در آموزش و پرورش
• 55. کاربرد هوش مصنوعی در ارزیابی تحصیلی
• 56. شخصی‌سازی فرآیند یادگیری
• 57. هوش مصنوعی در سلامت
• 58. تشخیص بیماری با یادگیری عمیق
• 59. توسعه دارو با یادگیری عمیق
• 60. هوش مصنوعی در کشاورزی
• 61. مدیریت منابع آبی با هوش مصنوعی
• 62. کشاورزی دقیق با هوش مصنوعی
• 63. هوش مصنوعی در صنعت
• 64. بهینه‌سازی فرآیندهای تولید
• 65. نگهداری پیش‌بینانه
• 66. هوش مصنوعی در امور مالی
• 67. تشخیص تقلب با یادگیری عمیق
• 68. مدیریت ریسک با هوش مصنوعی
• 69. هوش مصنوعی در حمل و نقل
• 70. خودروهای خودران
• 71. بهینه‌سازی ترافیک
• 72. یادگیری عمیق برای داده‌های سری زمانی
• 73. پیش‌بینی سری‌های زمانی
• 74. تحلیل داده‌های مالی سری زمانی
• 75. یادگیری عمیق برای داده‌های گرافی
• 76. پردازش شبکه‌های اجتماعی
• 77. مدل‌سازی مولکولی
• 78. یادگیری عمیق در بازی‌ها
• 79. طراحی بازی با هوش مصنوعی
• 80. استراتژی در بازی‌ها
• 81. هوش مصنوعی مولد (Generative AI)
• 82. تولید محتوای خلاقانه
• 83. هنر و موسیقی با هوش مصنوعی
• 84. محدودیت‌ها و چالش‌های یادگیری عمیق
• 85. آینده یادگیری عمیق
• 86. پیشرفت‌های اخیر در شبکه‌های عصبی
• 87. معماری‌های جدید شبکه‌های عصبی
• 88. یادگیری با چند وظیفه (Multi-task Learning)
• 89. یادگیری فدرال (Federated Learning)
• 90. هوش مصنوعی توزیع شده
• 91. یادگیری عمیق در لبه (Edge AI)
• 92. مینیاتورسازی مدل‌های یادگیری عمیق
• 93. کوانتیزاسیون مدل‌ها
• 94. بهینه‌سازی مدل‌ها برای سخت‌افزار
• 95. پیاده‌سازی مدل‌های یادگیری عمیق با کتابخانه‌ها
• 96. TensorFlow و Keras
• 97. PyTorch
• 98. ابزارهای توسعه هوش مصنوعی
• 99. محیط‌های برنامه‌نویسی برای هوش مصنوعی
• 100. ارزیابی عملکرد مدل‌های یادگیری عمیق