کتاب صوتی مبانی یادگیری تقویتی با تنسورفلو برای متخصصان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری تقویتی با تنسورفلو برای متخصصان

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق و یادگیری تقویتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر تنسورفلو
• 8. نصب و پیکربندی تنسورفلو
• 9. مفاهیم پایه تنسورفلو
• 10. تنسورها در تنسورفلو
• 11. عملیات پایه تنسورفلو
• 12. گراف‌های محاسباتی
• 13. جلسات (Sessions) در تنسورفلو
• 14. متغیرها (Variables) در تنسورفلو
• 15. placeholders در تنسورفلو
• 16. تابع هزینه (Loss Functions)
• 17. بهینه‌سازها (Optimizers)
• 18. گرادیان کاهشی (Gradient Descent)
• 19. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 20. نورون‌های مصنوعی
• 21. توابع فعال‌سازی
• 22. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 23. پس‌انتشار خطا (Backpropagation)
• 24. آموزش شبکه‌های عصبی
• 25. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 26. رگولاریزاسیون (Regularization)
• 27. شبکه‌های عصبی کانولوشنی (CNNs)
• 28. لایه کانولوشن
• 29. لایه پولینگ
• 30. معماری‌های معروف CNN
• 31. کاربرد CNN در بینایی ماشین
• 32. شبکه‌های عصبی بازگشتی (RNNs)
• 33. سلول‌های حافظه بلند کوتاه (LSTM)
• 34. واحدهای بازگشتی دروازه‌ای (GRU)
• 35. کاربرد RNN در پردازش زبان طبیعی
• 36. مقدمه‌ای بر یادگیری تقویتی
• 37. عناصر یادگیری تقویتی
• 38. عامل (Agent)
• 39. محیط (Environment)
• 40. حالت (State)
• 41. عمل (Action)
• 42. پاداش (Reward)
• 43. سیاست (Policy)
• 44. تابع ارزش (Value Function)
• 45. مارکوف تصمیم‌گیری (MDP)
• 46. فرمول بلمن (Bellman Equation)
• 47. یادگیری آفلاین در مقابل یادگیری آنلاین
• 48. روش‌های ارزش‌محور (Value-Based Methods)
• 49. یادگیری Q (Q-Learning)
• 50. یادگیری Q عمیق (Deep Q-Learning - DQN)
• 51. شبکه‌های DQN
• 52. بهبودهای DQN
• 53. روش‌های سیاست‌محور (Policy-Based Methods)
• 54. گرادیان سیاست (Policy Gradient)
• 55. روش Actor-Critic
• 56. یادگیری تقویتی در تنسورفلو
• 57. پیاده‌سازی DQN با تنسورفلو
• 58. پیاده‌سازی Actor-Critic با تنسورفلو
• 59. بازی‌های Atari با یادگیری تقویتی
• 60. محیط‌های Gym OpenAI
• 61. پیاده‌سازی یک عامل DQN برای بازی Pong
• 62. پیاده‌سازی یک عامل Actor-Critic برای بازی CartPole
• 63. تنظیمات پیشرفته در یادگیری تقویتی
• 64. اکتشاف در مقابل بهره‌برداری (Exploration vs. Exploitation)
• 65. تکنیک‌های اکتشاف
• 66. کاهش نویز در یادگیری تقویتی
• 67. آموزش توزیع شده در یادگیری تقویتی
• 68. ملاحظات اخلاقی در هوش مصنوعی
• 69. مسئولیت‌پذیری در هوش مصنوعی
• 70. حریم خصوصی و داده‌ها
• 71. عدالت و سوگیری در الگوریتم‌ها
• 72. تفسیرپذیری در هوش مصنوعی
• 73. مقدمه‌ای بر یادگیری عمیق برای متخصصان
• 74. شبکه‌های عصبی عمیق و کاربردهای آن
• 75. تکنیک‌های پیشرفته در شبکه‌های عصبی
• 76. یادگیری انتقالی (Transfer Learning)
• 77. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 78. یادگیری نیمه‌نظارتی (Semi-supervised Learning)
• 79. یادگیری خودنظارتی (Self-supervised Learning)
• 80. شبکه‌های مولد تخاصمی (GANs)
• 81. معماری‌های GAN
• 82. کاربرد GANها
• 83. یادگیری تقویتی عمیق در رباتیک
• 84. کنترل ربات با یادگیری تقویتی
• 85. یادگیری حرکات رباتیک
• 86. یادگیری تقویتی برای بهینه‌سازی سیستم‌ها
• 87. بهینه‌سازی زمان‌بندی
• 88. بهینه‌سازی تخصیص منابع
• 89. کاربرد یادگیری تقویتی در سیستم‌های توصیه‌گر
• 90. توصیه‌گرهای تعاملی
• 91. یادگیری تقویتی برای پردازش زبان طبیعی پیشرفته
• 92. تولید متن با یادگیری تقویتی
• 93. ترجمه ماشینی با یادگیری تقویتی
• 94. یادگیری تقویتی برای تحلیل داده‌های سری زمانی
• 95. پیش‌بینی قیمت سهام
• 96. تشخیص ناهنجاری در داده‌ها
• 97. مباحث پیشرفته در تنسورفلو
• 98. TensorFlow Extended (TFX)
• 99. TensorFlow Lite
• 100. TensorFlow.js