کتاب صوتی ساخت شبکه‌های عصبی، ترنسفورمرها و مدل‌های مولد از پایه با آموزش GPU

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت شبکه‌های عصبی، ترنسفورمرها و مدل‌های مولد از پایه با آموزش GPU

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: معماری‌های 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. معرفی شبکه‌های عصبی مصنوعی
• 5. تابع فعال‌سازی در شبکه‌های عصبی
• 6. مبانی پس‌انتشار خطا
• 7. بهینه‌سازی شبکه‌های عصبی
• 8. گرادیان کاهشی و انواع آن
• 9. نرمال‌سازی دسته‌ای (Batch Normalization)
• 10. تنظیم‌گری (Regularization) و انواع آن
• 11. معماری شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 12. شبکه‌های عصبی کانولوشنی (CNN)
• 13. لایه‌های کانولوشن و پولینگ
• 14. کاربرد CNN در بینایی ماشین
• 15. شبکه‌های عصبی بازگشتی (RNN)
• 16. حافظه کوتاه‌مدت طولانی (LSTM)
• 17. واحد بازگشتی دروازه‌ای (GRU)
• 18. کاربرد RNN و LSTM در پردازش زبان طبیعی
• 19. مقدمه‌ای بر ترنسفورمرها
• 20. مکانیزم توجه (Attention Mechanism)
• 21. ترنسفورمرهای انکودر-دیکودر
• 22. مدل‌های زبانی مبتنی بر ترنسفورمر
• 23. BERT و کاربردهای آن
• 24. GPT و معماری آن
• 25. مدل‌های مولد (Generative Models)
• 26. شبکه‌های مولد تخاصمی (GAN)
• 27. مفاهیم پایه GAN
• 28. انواع GAN و کاربردهای آن
• 29. مدل‌های انتشار (Diffusion Models)
• 30. مبانی مدل‌های انتشار
• 31. کاربرد مدل‌های انتشار در تولید تصویر
• 32. آموزش از پایه: ساخت شبکه عصبی ساده
• 33. پیاده‌سازی MLP با پایتون و کتابخانه‌های مرتبط
• 34. پیاده‌سازی CNN از ابتدا
• 35. آموزش CNN بر روی داده‌های تصویری
• 36. پیاده‌سازی RNN از ابتدا
• 37. آموزش LSTM بر روی داده‌های متنی
• 38. پیاده‌سازی مکانیزم توجه
• 39. ساخت یک مدل ترنسفورمر پایه
• 40. تنظیم ترنسفورمر برای وظایف NLP
• 41. پیاده‌سازی GAN از ابتدا
• 42. آموزش GAN برای تولید تصویر
• 43. مقدمه‌ای بر آموزش GPU
• 44. مفاهیم اولیه CUDA
• 45. استفاده از کتابخانه‌های یادگیری عمیق با GPU
• 46. بهینه‌سازی کد برای آموزش GPU
• 47. عیب‌یابی مشکلات رایج در آموزش GPU
• 48. مقدمه‌ای بر یادگیری عمیق در مقیاس تولید
• 49. پایپ‌لاین‌های داده برای یادگیری عمیق
• 50. آموزش مدل‌های بزرگ
• 51. استقرار مدل‌های یادگیری عمیق
• 52. نظارت بر عملکرد مدل در تولید
• 53. مقدمه‌ای بر یادگیری تقویتی عمیق (DRL)
• 54. مفاهیم پایه DRL
• 55. الگوریتم‌های DRL: Q-Learning، Policy Gradients
• 56. کاربرد DRL در رباتیک و بازی
• 57. مقدمه‌ای بر مدل‌های گراف عصبی (GNN)
• 58. مبانی GNN
• 59. کاربرد GNN در تحلیل شبکه‌ها
• 60. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 61. تکنیک‌های یادگیری انتقالی
• 62. کاربرد یادگیری انتقالی در مسائل مختلف
• 63. مقدمه‌ای بر یادگیری نیمه‌نظارت شده
• 64. روش‌های یادگیری نیمه‌نظارت شده
• 65. کاربرد یادگیری نیمه‌نظارت شده
• 66. مقدمه‌ای بر یادگیری خودنظارت شده
• 67. روش‌های یادگیری خودنظارت شده
• 68. کاربرد یادگیری خودنظارت شده
• 69. مقدمه‌ای بر مدل‌های یادگیری فدرال
• 70. مبانی یادگیری فدرال
• 71. کاربرد یادگیری فدرال
• 72. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 73. سوگیری در مدل‌های هوش مصنوعی
• 74. عدالت و شفافیت در هوش مصنوعی
• 75. حریم خصوصی در هوش مصنوعی
• 76. توضیح‌پذیری مدل‌های یادگیری عمیق (XAI)
• 77. مقدمه‌ای بر پردازش گفتار
• 78. شبکه‌های عصبی برای پردازش گفتار
• 79. مقدمه‌ای بر پردازش تصویر پیشرفته
• 80. تقطیع تصویر (Image Segmentation)
• 81. تشخیص اشیاء (Object Detection)
• 82. تولید تصویر پیشرفته
• 83. کاربرد مدل‌های مولد در طراحی
• 84. مقدمه‌ای بر یادگیری عمیق درعلوم پزشکی
• 85. کاربرد یادگیری عمیق در تشخیص بیماری
• 86. کاربرد یادگیری عمیق در کشف دارو
• 87. مقدمه‌ای بر یادگیری عمیق در امور مالی
• 88. کاربرد یادگیری عمیق در پیش‌بینی بازار
• 89. کاربرد یادگیری عمیق در تشخیص تقلب
• 90. مقدمه‌ای بر یادگیری عمیق در رباتیک
• 91. کنترل ربات با یادگیری عمیق
• 92. مسیریابی ربات با یادگیری عمیق
• 93. مقدمه‌ای بر یادگیری عمیق در سنجش از دور
• 94. تحلیل تصاویر ماهواره‌ای با یادگیری عمیق
• 95. طبقه‌بندی کاربری اراضی با یادگیری عمیق
• 96. مقدمه‌ای بر یادگیری عمیق در شبکه‌های اجتماعی
• 97. تحلیل احساسات در شبکه‌های اجتماعی
• 98. توصیه‌گرها در شبکه‌های اجتماعی
• 99. مقدمه‌ای بر یادگیری عمیق در بازی‌ها
• 100. توسعه هوش مصنوعی برای بازی‌ها