فلش‌کارت‌های آموزشی شبکه‌های عصبی توزیع‌شده و یادگیری فدرال

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی توزیع‌شده و یادگیری فدرال

موضوع کلی: رایانش ابری و هوش مصنوعی در توسعه نرم‌افزار

موضوع میانی: معماری سیستم‌های توزیع‌شده و پروتکل‌های اتصال هوشمند (MCP)

📋 سرفصل‌های دوره

• 1. مبانی شبکه‌های عصبی
• 2. معماری‌های اولیه شبکه‌های عصبی
• 3. یادگیری با نظارت در شبکه‌های عصبی
• 4. یادگیری بدون نظارت در شبکه‌های عصبی
• 5. بهینه‌سازی گرادیان کاهشی
• 6. الگوریتم‌های بهینه‌سازی پیشرفته
• 7. انتخاب تابع فعال‌سازی مناسب
• 8. شبکه‌های عصبی پیچشی (CNN) برای پردازش تصویر
• 9. شبکه‌های عصبی بازگشتی (RNN) برای پردازش زبان طبیعی
• 10. مشکلات محو شدن و انفجار گرادیان
• 11. شبکه‌های حافظه بلندمدت (LSTM)
• 12. شبکه‌های گیت‌دار بازگشتی (GRU)
• 13. معماری‌های رمزگذار-رمزگشا
• 14. مقدمه‌ای بر یادگیری عمیق
• 15. شبکه‌های مولد تخاصمی (GAN)
• 16. تکنیک‌های منظم‌سازی برای جلوگیری از بیش‌برازش
• 17. روش‌های افزایش داده
• 18. ارزیابی و اعتبارسنجی مدل‌های شبکه‌های عصبی
• 19. متریک‌های ارزیابی عملکرد
• 20. انتخاب ویژگی و کاهش ابعاد
• 21. مقدمه‌ای بر یادگیری انتقالی
• 22. استفاده از مدل‌های پیش‌آموزش‌دیده
• 23. شبکه‌های عصبی برای تشخیص اشیا
• 24. شبکه‌های عصبی برای تقسیم‌بندی تصویر
• 25. شبکه‌های عصبی برای پردازش متن
• 26. مدل‌سازی زبان با شبکه‌های عصبی
• 27. مقدمه‌ای بر یادگیری تقویتی
• 28. شبکه‌های Q
• 29. سیاست گرادیان
• 30. یادگیری فدرال: مفاهیم پایه
• 31. چالش‌های یادگیری فدرال
• 32. محافظت از حریم خصوصی در یادگیری فدرال
• 33. الگوریتم‌های یادگیری فدرال
• 34. یادگیری فدرال با گرادیان‌های مکانی
• 35. یادگیری فدرال با مدل‌های فشرده
• 36. ارتباطات در یادگیری فدرال
• 37. بهینه‌سازی ارتباطات در یادگیری فدرال
• 38. شبکه‌های عصبی توزیع‌شده: مفاهیم
• 39. محاسبه توزیع‌شده
• 40. موازات‌سازی آموزش شبکه‌های عصبی
• 41. استفاده از GPUها برای آموزش شبکه‌های عصبی
• 42. استفاده از TPUها برای آموزش شبکه‌های عصبی
• 43. مقدمه‌ای بر چارچوب‌های یادگیری عمیق
• 44. TensorFlow
• 45. PyTorch