کتاب صوتی مبانی و کاربردهای یادگیری عمیق در داده‌کاوی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای یادگیری عمیق در داده‌کاوی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. تاریخچه و تکامل یادگیری عمیق
• 3. الگوریتم‌های یادگیری ماشین کلاسیک
• 4. شبکه‌های عصبی مصنوعی
• 5. تابع فعال‌سازی در شبکه‌های عصبی
• 6. پس‌انتشار خطا (Backpropagation)
• 7. بهینه‌سازی در شبکه‌های عصبی
• 8. گرادیان کاهشی تصادفی (SGD)
• 9. انبوه گرادیان تصادفی (Mini-batch SGD)
• 10. نرخ یادگیری و تنظیم آن
• 11. تنظیم‌کننده‌ها (Regularizers)
• 12. نرمال‌سازی دسته‌ای (Batch Normalization)
• 13. کاهش و حذف بیش‌برازش (Overfitting)
• 14. شبکه‌های عصبی کانولوشنال (CNN)
• 15. لایه کانولوشن و فیلترها
• 16. لایه‌های پولینگ (Pooling)
• 17. معماری‌های معروف CNN (مانند AlexNet)
• 18. کاربرد CNN در پردازش تصویر
• 19. شبکه‌های عصبی بازگشتی (RNN)
• 20. سلول‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 21. واحد بازگشتی دروازه‌ای (GRU)
• 22. کاربرد RNN در پردازش زبان طبیعی
• 23. شبکه‌های مولد تخاصمی (GAN)
• 24. معماری GAN و اجزای آن
• 25. آموزش GAN و چالش‌ها
• 26. کاربرد GAN در تولید داده
• 27. شبکه‌های عصبی ترنسفورمر
• 28. مکانیسم توجه (Attention Mechanism)
• 29. کاربرد ترنسفورمر در NLP
• 30. یادگیری انتقالی (Transfer Learning)
• 31. تنظیم دقیق مدل‌های از پیش آموزش‌دیده
• 32. کاربرد یادگیری انتقالی در داده‌کاوی
• 33. یادگیری تقویتی (Reinforcement Learning)
• 34. عناصر یادگیری تقویتی
• 35. الگوریتم‌های Q-Learning
• 36. الگوریتم‌های Deep Q-Network (DQN)
• 37. کاربرد یادگیری تقویتی در رباتیک
• 38. تفسیرپذیری مدل‌های یادگیری عمیق (XAI)
• 39. مقدمه‌ای بر داده‌کاوی
• 40. مراحل فرآیند داده‌کاوی
• 41. پاکسازی و پیش‌پردازش داده‌ها
• 42. مهندسی ویژگی (Feature Engineering)
• 43. انتخاب ویژگی
• 44. تکنیک‌های کاهش ابعاد (PCA)
• 45. خوشه‌بندی (Clustering)
• 46. الگوریتم K-Means
• 47. خوشه‌بندی سلسله مراتبی
• 48. دسته‌بندی (Classification)
• 49. الگوریتم درخت تصمیم
• 50. الگوریتم ماشین بردار پشتیبان (SVM)
• 51. رگرسیون (Regression)
• 52. رگرسیون خطی
• 53. رگرسیون لجستیک
• 54. قوانین انجمنی (Association Rules)
• 55. الگوریتم Apriori
• 56. تشخیص ناهنجاری (Anomaly Detection)
• 57. کاربرد یادگیری عمیق در داده‌کاوی
• 58. کاربرد CNN در تشخیص تصویر
• 59. کاربرد RNN در تحلیل سری‌های زمانی
• 60. کاربرد GAN در تولید داده‌های مصنوعی
• 61. کاربرد ترنسفورمر در خلاصه‌سازی متن
• 62. کاربرد یادگیری انتقالی در تشخیص بیماری
• 63. کاربرد یادگیری تقویتی در بهینه‌سازی فرآیندها
• 64. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 65. معماری ترنسفورمر در LLMs
• 66. آموزش LLMs (Pre-training)
• 67. تنظیم دقیق LLMs (Fine-tuning)
• 68. کاربرد LLMs در تولید متن
• 69. کاربرد LLMs در ترجمه ماشینی
• 70. کاربرد LLMs در پاسخگویی به سوالات
• 71. کاربرد LLMs در تحلیل احساسات
• 72. ملاحظات اخلاقی در یادگیری عمیق
• 73. حریم خصوصی و امنیت داده‌ها
• 74. سوگیری در مدل‌های یادگیری عمیق
• 75. شفافیت و قابلیت توضیح مدل‌ها
• 76. مسئولیت‌پذیری در استفاده از هوش مصنوعی
• 77. آینده یادگیری عمیق و داده‌کاوی
• 78. چالش‌های پیش روی یادگیری عمیق
• 79. روندهای جدید در داده‌کاوی
• 80. کاربردهای نوظهور هوش مصنوعی
• 81. ابزارها و کتابخانه‌های یادگیری عمیق (TensorFlow)
• 82. ابزارها و کتابخانه‌های یادگیری عمیق (PyTorch)
• 83. محیط‌های برنامه‌نویسی (Jupyter Notebook)
• 84. شبکه‌های عصبی گراف (GNN)
• 85. یادگیری خودنظارتی (Self-supervised Learning)
• 86. یادگیری نیمه‌نظارتی (Semi-supervised Learning)
• 87. یادگیری با انتقال چندوظیفه‌ای (Multi-task Transfer Learning)
• 88. شبکه‌های عصبی اسپایکی (SNN)
• 89. معماری‌های عصبی بیولوژیکی الهام گرفته
• 90. محاسبات کوانتومی و یادگیری عمیق
• 91. یادگیری عمیق در پزشکی
• 92. یادگیری عمیق در امور مالی
• 93. یادگیری عمیق در حمل و نقل
• 94. یادگیری عمیق در انرژی
• 95. یادگیری عمیق در آموزش
• 96. یادگیری عمیق در کشاورزی
• 97. یادگیری عمیق در رباتیک پیشرفته
• 98. یادگیری عمیق در بازی‌ها
• 99. یادگیری عمیق در کشف دارو
• 100. یادگیری عمیق در پیش‌بینی آب و هوا