کتاب صوتی پردازش موازی توزیع‌شده (PDP): کشف ریزساختار شناخت و ریشه‌های شبکه‌های عصبی نوین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش موازی توزیع‌شده (PDP): کشف ریزساختار شناخت و ریشه‌های شبکه‌های عصبی نوین

موضوع کلی: مبانی نظری هوش مصنوعی و علوم شناختی

موضوع میانی: مدل‌های اتصال‌گرا و پردازش موازی توزیع‌شده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم شناختی و هوش مصنوعی
• 2. ریشه‌های تاریخی مدل‌های اتصال‌گرا
• 3. معماری‌های محاسباتی بیولوژیکی: الهام از مغز
• 4. مبانی ریاضیاتی شبکه‌های عصبی: جبر خطی و حساب دیفرانسیل
• 5. مروری بر نظریه اطلاعات و کدگذاری
• 6. مفهوم پردازش موازی توزیع‌شده (PDP)
• 7. نمایندگی توزیع‌شده: مزایا و چالش‌ها
• 8. واحد پردازش: نورون مصنوعی
• 9. توابع فعالیت: خطی، سیگموئیدی و ReLU
• 10. معماری‌های پایه شبکه‌های عصبی: پرسپترون
• 11. قاعده یادگیری هب (Hebb): مبانی یادگیری همبستگی
• 12. محدودیت‌های پرسپترون تک لایه
• 13. الگوریتم پس انتشار خطا (Backpropagation)
• 14. آموزش چند لایه پرسپترون (MLP)
• 15. تنظیم هایپرپارامترها: نرخ یادگیری، مومنتوم و اندازه دسته‌ای
• 16. جلوگیری از بیش برازش: تکنیک‌های منظم‌سازی
• 17. شبکه‌های بازگشتی (Recurrent Neural Networks - RNNs)
• 18. چالش محو گرادیان و انفجار گرادیان
• 19. شبکه‌های حافظه بلندمدت (Long Short-Term Memory - LSTM)
• 20. واحدهای دروازه‌ای بازگشتی (Gated Recurrent Units - GRUs)
• 21. پردازش زبان طبیعی با شبکه‌های بازگشتی
• 22. خودکارسازها (Autoencoders): یادگیری بازنمایی
• 23. خودکارسازهای واریانس (Variational Autoencoders - VAEs)
• 24. شبکه‌های مولد مقابله‌ای (Generative Adversarial Networks - GANs)
• 25. یادگیری عمیق و اهمیت لایه‌های پنهان
• 26. مفهوم اتصال‌گرایی در ادراک
• 27. مدل‌های اتصال‌گرا برای تشخیص الگو
• 28. شناخت بصری و مدل‌های اتصال‌گرا
• 29. مدل‌های سلسله مراتبی برای بینایی
• 30. شبکه‌های پیچشی عصبی (Convolutional Neural Networks - CNNs)
• 31. لایه‌های کانولوشن و تجمیع
• 32. انتقال یادگیری با شبکه‌های عصبی پیش‌آموزش‌شده
• 33. مفهوم توجه (Attention) در شبکه‌های عصبی
• 34. مدل‌های تبدیل‌کننده (Transformers)
• 35. توجه خود-تنظیمی (Self-Attention)
• 36. پردازش زبان طبیعی با مدل‌های تبدیل‌کننده
• 37. BERT و مدل‌های زبانی پیش‌آموزش‌شده
• 38. GPT و تولید متن با شبکه‌های عصبی
• 39. مدل‌های اتصال‌گرا برای استدلال و حل مسئله
• 40. معماری‌های نمادین در مقابل اتصال‌گرا
• 41. مدل‌های ترکیبی: ترکیب نمادگرایی و اتصال‌گرایی
• 42. یادگیری تقویتی (Reinforcement Learning)
• 43. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 44. شبکه‌های Q عمیق (Deep Q-Networks - DQN)
• 45. یادگیری تقویتی مبتنی بر سیاست
• 46. مدل‌های عامل در محیط‌های پیچیده
• 47. پیاده‌سازی شبکه‌های عصبی با Python و TensorFlow/PyTorch
• 48. مبانی TensorFlow و PyTorch
• 49. ساخت مدل‌های عصبی ساده با TensorFlow/PyTorch
• 50. آموزش و ارزیابی مدل‌های عصبی
• 51. تصویرسازی و تحلیل عملکرد مدل
• 52. بهینه‌سازی عملکرد مدل
• 53. استقرار مدل‌های عصبی
• 54. پردازش داده‌های بزرگ برای شبکه‌های عصبی
• 55. مجموعه‌داده‌های مهم در یادگیری عمیق
• 56. پیش‌پردازش داده‌ها و مهندسی ویژگی
• 57. مقیاس‌بندی و توزیع آموزش شبکه‌های عصبی
• 58. سخت‌افزار برای یادگیری عمیق: GPU و TPU
• 59. معماری‌های عصبی خاص‌منظوره
• 60. پردازش عصبی مورفیک (Neuromorphic Computing)
• 61. امنیت شبکه‌های عصبی: حملات خصمانه
• 62. دفاع در برابر حملات خصمانه
• 63. تفسیرپذیری مدل‌های عصبی (Explainable AI - XAI)
• 64. روش‌های تفسیرپذیری مدل
• 65. توضیح تصمیمات مدل
• 66. اخلاق و مسئولیت‌پذیری در هوش مصنوعی
• 67. سوگیری در داده‌ها و مدل‌ها
• 68. کاهش سوگیری در شبکه‌های عصبی
• 69. مدل‌های اتصال‌گرا برای حافظه
• 70. حافظه انجمنی و شبکه‌های هاپفیلد
• 71. شبکه‌های بولتزمن (Boltzmann Machines)
• 72. ماشین‌های بولتزمن محدود (Restricted Boltzmann Machines - RBMs)
• 73. یادگیری عمیق مولد با RBMs
• 74. مدل‌های اتصال‌گرا برای کنترل و حرکت
• 75. رباتیک و شبکه‌های عصبی
• 76. ادغام حسگرها و کنترل‌کننده‌ها
• 77. یادگیری کنترل در زمان واقعی
• 78. مدل‌های اتصال‌گرا برای تصمیم‌گیری
• 79. نظریه بازی و شبکه‌های عصبی
• 80. تصمیم‌گیری تحت عدم قطعیت
• 81. مدل‌های اتصال‌گرا برای اقتصاد
• 82. تجزیه و تحلیل بازارهای مالی
• 83. پیش‌بینی روندها
• 84. مدل‌های اتصال‌گرا برای علوم اجتماعی
• 85. تحلیل شبکه‌های اجتماعی
• 86. مدل‌سازی رفتار انسان
• 87. چالش‌های فعلی در مدل‌های اتصال‌گرا
• 88. محدودیت‌های محاسباتی و مقیاس‌پذیری
• 89. مشکلات مربوط به تفسیرپذیری و توضیح‌پذیری
• 90. مسیرهای آینده در تحقیقات PDP
• 91. شبکه‌های عصبی مصنوعی در مقابل شبکه‌های عصبی بیولوژیکی
• 92. مدل‌سازی مغز انسان با شبکه‌های عصبی
• 93. اخلاق و مسائل اجتماعی هوش مصنوعی
• 94. ارزیابی و انتخاب مدل‌های اتصال‌گرا
• 95. تکنیک‌های اعتبارسنجی مدل
• 96. مقایسه مدل‌های مختلف
• 97. برنامه‌های کاربردی پیشرفته PDP
• 98. مدل‌سازی سیستم‌های پیچیده
• 99. پردازش سیگنال و داده‌های حسگر
• 100. یادگیری ماشین خودکار (AutoML)