کتاب صوتی پیاده‌سازی و بهینه‌سازی شبکه‌های عصبی با PyTorch و Wolfram Language

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی و بهینه‌سازی شبکه‌های عصبی با PyTorch و Wolfram Language

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه مدل‌های یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مفاهیم اولیه شبکه‌های عصبی
• 5. تابع فعال‌سازی در شبکه‌های عصبی
• 6. پس‌انتشار خطا (Backpropagation)
• 7. مقدمه‌ای بر PyTorch
• 8. محیط توسعه PyTorch
• 9. تنسورها در PyTorch
• 10. عملیات پایه تنسورها
• 11. توابع ریاضی در PyTorch
• 12. گرادیان‌ها و محاسبه خودکار مشتق
• 13. ماژول `torch.nn`
• 14. لایه‌های خطی (Linear Layers)
• 15. لایه‌های کانولوشن (Convolutional Layers)
• 16. لایه‌های تجمعی (Pooling Layers)
• 17. لایه‌های نرمال‌سازی (Normalization Layers)
• 18. تابع زیان (Loss Functions)
• 19. بهینه‌سازها (Optimizers)
• 20. چرخه آموزش مدل
• 21. بسته‌بندی داده‌ها با `Dataset` و `DataLoader`
• 22. ساخت اولین شبکه عصبی با PyTorch
• 23. آموزش مدل طبقه‌بندی تصاویر
• 24. معماری‌های شبکه‌های عصبی پرکاربرد
• 25. شبکه‌های عصبی کانولوشنی (CNN)
• 26. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 27. شبکه‌های حافظه کوتاه‌مدت (LSTM)
• 28. شبکه‌های حافظه بلندمدت (GRU)
• 29. آموزش مدل پردازش زبان طبیعی
• 30. مقدمه‌ای بر مدل‌های ترنسفورمر (Transformer)
• 31. توکن‌سازی (Tokenization)
• 32. تعبیه‌سازی کلمات (Word Embeddings)
• 33. مقدمه‌ای بر Wolfram Language
• 34. مبانی برنامه‌نویسی در Wolfram Language
• 35. کتابخانه‌های مرتبط با یادگیری ماشین در Wolfram Language
• 36. پیاده‌سازی تنسورها در Wolfram Language
• 37. عملیات پایه تنسورها در Wolfram Language
• 38. ساخت شبکه‌های عصبی با Wolfram Language
• 39. آموزش مدل‌ها در Wolfram Language
• 40. مقایسه PyTorch و Wolfram Language
• 41. استفاده از PyTorch در Wolfram Language
• 42. ادغام PyTorch و Wolfram Language
• 43. ذخیره و بارگذاری مدل‌های PyTorch
• 44. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 45. اعتبارسنجی متقابل (Cross-Validation)
• 46. روش‌های منظم‌سازی (Regularization Techniques)
• 47. کاهش بیش‌برازش (Overfitting)
• 48. افزایش داده‌ها (Data Augmentation)
• 49. آموزش با استفاده از GPU
• 50. بهینه‌سازی عملکرد مدل
• 51. تجسم نتایج آموزش
• 52. تحلیل خطاها و اشکال‌زدایی
• 53. مقدمه‌ای بر یادگیری تقویتی
• 54. عناصر یادگیری تقویتی
• 55. الگوریتم‌های یادگیری تقویتی
• 56. کاربرد یادگیری تقویتی
• 57. مقدمه‌ای بر شبکه‌های مولد (Generative Models)
• 58. شبکه‌های مولد تخاصمی (GANs)
• 59. آموزش GANs
• 60. کاربرد GANs
• 61. مقدمه‌ای بر شبکه‌های یادگیری عمیق پیشرفته
• 62. شبکه‌های توجه (Attention Mechanisms)
• 63. مدل‌های زبانی بزرگ (LLMs)
• 64. کاربرد LLMs
• 65. اخلاق در هوش مصنوعی
• 66. حریم خصوصی و امنیت داده‌ها
• 67. سوگیری در مدل‌های هوش مصنوعی
• 68. شفافیت و قابلیت تفسیر مدل‌ها
• 69. آینده هوش مصنوعی
• 70. کاربرد هوش مصنوعی در صنعت
• 71. کاربرد هوش مصنوعی در سلامت
• 72. کاربرد هوش مصنوعی در آموزش
• 73. کاربرد هوش مصنوعی در کشاورزی
• 74. کاربرد هوش مصنوعی در حمل و نقل
• 75. کاربرد هوش مصنوعی در مالی
• 76. کاربرد هوش مصنوعی در هنر
• 77. کاربرد هوش مصنوعی در تحقیقات علمی
• 78. مبانی یادگیری عمیق
• 79. شبکه‌های عصبی عمیق
• 80. تکنیک‌های پیشرفته در شبکه‌های عصبی
• 81. مدل‌های پیش‌بینی کننده سری‌های زمانی
• 82. تحلیل داده‌های حجیم
• 83. پردازش تصویر پیشرفته
• 84. پردازش زبان طبیعی پیشرفته
• 85. سیستم‌های توصیه‌گر
• 86. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 87. یادگیری انتقالی (Transfer Learning)
• 88. یادگیری فدرال (Federated Learning)
• 89. یادگیری با داده‌های کم (Few-shot Learning)
• 90. یادگیری تقویتی عمیق
• 91. شبکه‌های عصبی گراف (Graph Neural Networks)
• 92. کاربرد شبکه‌های عصبی گراف
• 93. معماری‌های نوین شبکه‌های عصبی
• 94. مقدمه‌ای بر هوش مصنوعی توزیع شده
• 95. بهینه‌سازی مدل‌های یادگیری عمیق
• 96. ارزیابی و اعتبارسنجی مدل‌های یادگیری عمیق
• 97. مستندسازی و انتشار مدل‌های هوش مصنوعی