فلش‌کارت‌های آموزشی کاربردی انطباق دامنه (Domain Adaptation) در داده‌های واقعی: غلبه بر جابه‌جایی توزیع داده در یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربردی انطباق دامنه (Domain Adaptation) در داده‌های واقعی: غلبه بر جابه‌جایی توزیع داده در یادگیری عمیق

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: انتقال یادگیری و انطباق دامنه (Transfer Learning & Domain Adaptation)

📋 سرفصل‌های دوره

• 1. مفاهیم پایه جابه‌جایی دامنه (Domain Shift) و عدم تطابق توزیع داده‌ها در پروژه‌های واقعی
• 2. بررسی انواع Covariate Shift ،Concept Drift و Target Shift در مدل‌های صنعتی
• 3. چالش‌های انتقال دانش از دامنه‌های مبدا (Source) به دامنه‌های مقصد (Target)
• 4. دسته‌بندی روش‌های انطباق دامنه: با‌نظارت، نیمه‌نظارت‌شده و بدون‌نظارت (Unsupervised Domain Adaptation)
• 5. متریک‌های سنجش فاصله توزیع داده‌ها (MMD ،Wasserstein Distance و Discrepancy)
• 6. کاهش فاصله توزیع داده‌ها با استفاده از الگوریتم‌های همراستاسازی آماری (CORAL و Deep CORAL)
• 7. طراحی معماری‌های شبکه‌های تقابلی انطباق دامنه (DANN - Domain-Adversarial Neural Networks)
• 8. استفاده از الگوریتم‌های مبتنی بر شبه‌برچسب‌گذاری (Pseudo-Labeling) در دامنه مقصد
• 9. روش‌های بازنمایی ویژگی‌های مستقل از دامنه (Domain-Invariant Feature Learning)
• 10. انطباق دامنه تصویری در بینایی ماشین (Computer Vision)
• 11. روش‌های نگاشت سبک به سبک با شبکه‌های مولد تقابلی (CycleGAN و Pix2Pix)
• 12. انطباق دامنه در پردازش زبان طبیعی (NLP) و مدل‌های زبانی بزرگ
• 13. انطباق دامنه در داده‌های متوالی، زمان‌مند و داده‌های حسگری (Time-Series & Sensor Data)
• 14. تکنیک‌های Self-Training و کانفیدنس‌سنجی برچسب‌ها در انطباق بدون‌نظارت
• 15. روش‌های انطباق دامنه مبتنی بر آنتروپی (Entropy Minimization)
• 16. انطباق دامنه در شرایط چندمبدا (Multi-Source Domain Adaptation)
• 17. انطباق دامنه بدون دسترسی به داده‌های مبدا (Source-Free Domain Adaptation)
• 18. روش‌های عمومی‌سازی دامنه (Domain Generalization) برای مواجهه با دامنه‌های ناشناخته
• 19. ارزیابی، مانیتورینگ و خطایابی مدل‌های انطباق یافته در محیط عملیاتی (Production)
• 20. پیاده‌سازی پروژه واقعی: انطباق مدل تشخیص شیء از داده‌های شبیه‌سازی‌شده به داده‌های واقعی دنیای واقعی