کتاب صوتی آموزش جامع یادگیری عمیق با TensorFlow 2.0 و Keras

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع یادگیری عمیق با TensorFlow 2.0 و Keras

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. نصب و راه‌اندازی TensorFlow
• 3. آشنایی با Keras
• 4. ساخت اولین مدل یادگیری عمیق
• 5. مبانی شبکه‌های عصبی
• 6. لایه‌های شبکه‌های عصبی
• 7. توابع فعال‌سازی
• 8. بهینه‌سازها در شبکه‌های عصبی
• 9. توابع هزینه
• 10. ارزیابی مدل‌ها
• 11. پیش‌پردازش داده‌ها
• 12. مدل‌های خطی
• 13. رگرسیون خطی
• 14. رگرسیون لجستیک
• 15. طبقه‌بندی دودویی
• 16. طبقه‌بندی چندکلاسه
• 17. شبکه‌های عصبی کانولوشنال (CNN)
• 18. ساختار CNN
• 19. لایه‌های کانولوشن
• 20. لایه‌های Pooling
• 21. کاربرد CNN در پردازش تصویر
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. ساختار RNN
• 24. حافظه در RNN
• 25. کاربرد RNN در پردازش زبان طبیعی
• 26. شبکه‌های LSTM و GRU
• 27. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 28. مدل‌سازی زبان
• 29. تحلیل احساسات
• 30. ترجمه ماشینی
• 31. استخراج اطلاعات
• 32. تکنیک‌های پیشرفته در TensorFlow
• 33. مدیریت داده‌ها با TensorFlow Datasets
• 34. ساخت مدل‌های سفارشی (Custom Models)
• 35. نوشتن لایه‌های سفارشی
• 36. آموزش مدل‌ها با حلقه‌های سفارشی
• 37. ذخیره و بارگذاری مدل‌ها
• 38. تنظیم دقیق مدل‌های از پیش آموزش‌دیده (Transfer Learning)
• 39. کاربرد Transfer Learning در طبقه‌بندی تصویر
• 40. کاربرد Transfer Learning در NLP
• 41. تولید محتوا با مدل‌های مولد
• 42. شبکه‌های مولد تخاصمی (GAN)
• 43. کاربرد GAN در تولید تصویر
• 44. شبکه‌های خودرمزگذار (Autoencoders)
• 45. کاربرد Autoencoders در کاهش ابعاد
• 46. یادگیری تقویتی
• 47. مبانی یادگیری تقویتی
• 48. عامل و محیط در یادگیری تقویتی
• 49. جایزه و سیاست در یادگیری تقویتی
• 50. الگوریتم‌های یادگیری تقویتی
• 51. کاربرد یادگیری تقویتی در رباتیک
• 52. کاربرد یادگیری تقویتی در بازی‌ها
• 53. مقدمه‌ای بر هوش مصنوعی مولد
• 54. تولید متن با مدل‌های زبانی بزرگ
• 55. تنظیم دقیق مدل‌های زبانی برای وظایف خاص
• 56. کاربرد هوش مصنوعی در پزشکی
• 57. تشخیص بیماری با یادگیری عمیق
• 58. کشف دارو با هوش مصنوعی
• 59. کاربرد هوش مصنوعی در امور مالی
• 60. پیش‌بینی بازار سهام
• 61. تشخیص تقلب مالی
• 62. کاربرد هوش مصنوعی در آموزش
• 63. شخصی‌سازی یادگیری
• 64. سیستم‌های توصیه‌گر
• 65. کاربرد هوش مصنوعی در کشاورزی
• 66. بهینه‌سازی آبیاری
• 67. تشخیص آفات
• 68. کاربرد هوش مصنوعی در شهر هوشمند
• 69. مدیریت ترافیک
• 70. بهینه‌سازی مصرف انرژی
• 71. اخلاق در هوش مصنوعی
• 72. مسئولیت‌پذیری در هوش مصنوعی
• 73. شفافیت در الگوریتم‌ها
• 74. حریم خصوصی داده‌ها
• 75. امنیت مدل‌های هوش مصنوعی
• 76. آینده یادگیری عمیق
• 77. روندها و نوآوری‌ها
• 78. چالش‌های پیش رو
• 79. یادگیری عمیق توزیع‌شده
• 80. یادگیری فدرال
• 81. مقدمه‌ای بر یادگیری ماشینExplainable AI (XAI)
• 82. تفسیرپذیری مدل‌های یادگیری عمیق
• 83. روش‌های XAI
• 84. کاربرد XAI در درک تصمیمات مدل
• 85. معرفی TensorFlow Extended (TFX)
• 86. پایپ‌لاین‌های TFX
• 87. مدیریت چرخه عمر مدل
• 88. نظارت بر مدل در TFX
• 89. مقدمه‌ای بر یادگیری کوانتومی
• 90. مفاهیم اساسی یادگیری کوانتومی
• 91. الگوریتم‌های کوانتومی برای یادگیری ماشین
• 92. کاربرد یادگیری کوانتومی در حل مسائل پیچیده
• 93. مقدمه‌ای بر شبکه‌های گراف عصبی (GNN)
• 94. ساختار GNN
• 95. کاربرد GNN در تحلیل شبکه‌ها
• 96. کاربرد GNN در پیش‌بینی خواص مولکولی
• 97. مقدمه‌ای بر پردازش سیگنال با یادگیری عمیق
• 98. کاربرد CNN در پردازش سیگنال صوتی
• 99. کاربرد RNN در پردازش سیگنال زمانی
• 100. بهینه‌سازی مدل‌ها با تکنیک‌های پیشرفته