فلش‌کارت‌های آموزشی مدل‌سازی تکاملی با شبکه‌های عصبی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی تکاملی با شبکه‌های عصبی

موضوع کلی: هوش مصنوعی پیشرفته و مقیاس‌بندی آن

موضوع میانی: هوش مصنوعی در تحلیل داده‌های حاصل از مطالعات زیست‌شناسی تکاملی

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی مصنوعی
• 2. معماری‌های پایه شبکه‌های عصبی
• 3. الگوریتم‌های یادگیری با نظارت
• 4. یادگیری بدون نظارت در شبکه‌های عصبی
• 5. بهینه‌سازی گرادیان کاهشی
• 6. انتخاب توابع فعال‌سازی مناسب
• 7. تنظیم پارامترهای شبکه‌های عصبی
• 8. جلوگیری از بیش‌برازش (Overfitting)
• 9. روش‌های اعتبارسنجی متقابل (Cross-Validation)
• 10. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 11. کاربرد CNN در تشخیص الگو
• 12. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های سری زمانی
• 13. حافظه کوتاه‌مدت بلند (LSTM) و کاربردها
• 14. شبکه‌های عصبی تولیدی متخاصم (GAN)
• 15. تولید تصاویر با استفاده از GAN
• 16. مدل‌سازی توزیع داده‌ها با شبکه‌های عصبی
• 17. یادگیری تقویتی: مفاهیم پایه
• 18. الگوریتم Q-Learning
• 19. الگوریتم‌های سیاست‌گرا
• 20. شبکه‌های عصبی عمیق (DNN) و کاربردها
• 21. خودرمزگذارها (Autoencoders) و کاهش ابعاد
• 22. یادگیری انتقالی (Transfer Learning)
• 23. تنظیم دقیق مدل‌های پیش‌آموزش‌شده
• 24. شبکه‌های عصبی گراف (GNN)
• 25. کاربرد GNN در تحلیل شبکه‌های اجتماعی
• 26. پردازش زبان طبیعی با شبکه‌های عصبی
• 27. مدل‌های زبانی بزرگ (LLM)
• 28. تعبیه‌ کلمات (Word Embeddings)
• 29. شبکه‌های توجه (Attention Networks)
• 30. ترانسفورمرها و معماری آن‌ها
• 31. مکانیسم‌های خودتنظیمی (Self-Attention)
• 32. تفسیرپذیری شبکه‌های عصبی
• 33. روش‌های تجسم و تحلیل شبکه‌های عصبی
• 34. انتخاب ویژگی (Feature Selection)
• 35. مهندسی ویژگی (Feature Engineering)
• 36. اعتبارسنجی و ارزیابی عملکرد مدل
• 37. معیارهای ارزیابی رگرسیون
• 38. معیارهای ارزیابی طبقه‌بندی
• 39. برنامه‌نویسی شبکه‌های عصبی با پایتون
• 40. استفاده از کتابخانه TensorFlow
• 41. استفاده از کتابخانه Keras
• 42. استفاده از کتابخانه PyTorch
• 43. استقرار مدل‌های شبکه‌های عصبی
• 44. بهینه‌سازی مدل‌ها برای استقرار
• 45. یادگیری فدرال (Federated Learning)