کتاب صوتی مبانی یادگیری عمیق: آموزش پرسپترون چندلایه و الگوریتم پس‌انتشار خطا (Backpropagation)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری عمیق: آموزش پرسپترون چندلایه و الگوریتم پس‌انتشار خطا (Backpropagation)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی (Artificial Neural Networks)

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق در علوم داده
• 2. مروری بر ساختار نورون‌های بیولوژیک و مدل‌سازی ریاضی آن
• 3. معرفی پرسپترون ساده و محدودیت‌های محاسباتی آن
• 4. بررسی مسئله جدایی‌پذیری خطی و تابع فعال‌ساز پله‌ای
• 5. محدودیت‌های پرسپترون تک‌لایه در حل مسائل غیرخطی
• 6. ساختار شبکه عصبی پرسپترون چندلایه (MLP)
• 7. نقش لایه‌های پنهان در استخراج ویژگی‌های پیچیده
• 8. توابع فعال‌ساز غیرخطی و اهمیت آن‌ها در یادگیری عمیق
• 9. بررسی تابع فعال‌ساز سیگموئید و ویژگی‌های ریاضی آن
• 10. بررسی تابع فعال‌ساز تانژانت هیپربولیک و مزایای آن
• 11. تابع فعال‌ساز ReLU و نقش آن در حل مشکل محوشدگی گرادیان
• 12. مفاهیم پایه در معماری شبکه‌های عصبی پیش‌خور
• 13. فرآیند انتشار رو به جلو در شبکه‌های عصبی
• 14. تعریف تابع هزینه (Loss Function) و هدف از بهینه‌سازی
• 15. مفهوم گرادیان و مشتقات جزئی در فضای پارامترها
• 16. الگوریتم پس‌انتشار خطا (Backpropagation) و منطق ریاضی آن
• 17. محاسبه گرادیان‌ها با استفاده از قاعده زنجیره‌ای
• 18. نقش نرخ یادگیری (Learning Rate) در همگرایی مدل
• 19. الگوریتم بهینه‌ساز گرادیان کاهشی (SGD)
• 20. روش‌های بهبود گرادیان کاهشی با استفاده از مومنتوم
• 21. پدیده بیش‌برازش (Overfitting) و راهکارهای مقابله با آن
• 22. روش‌های منظم‌سازی (Regularization) برای کنترل پیچیدگی مدل
• 23. تکنیک Dropout در شبکه‌های عصبی و تأثیر آن بر تعمیم‌پذیری
• 24. مقداردهی اولیه وزن‌ها و تأثیر آن بر سرعت همگرایی
• 25. مسئله محوشدگی گرادیان و راهکارهای علمی آن
• 26. نرمال‌سازی دسته‌ای (Batch Normalization) و پایداری آموزش
• 27. انتخاب بهینه تعداد لایه‌ها و نورون‌ها در شبکه
• 28. ارزیابی عملکرد مدل با استفاده از مجموعه داده‌های آموزشی و تست
• 29. مفهوم تعمیم‌پذیری در یادگیری عمیق
• 30. کاربردهای پرسپترون چندلایه در مسائل رگرسیون
• 31. کاربردهای پرسپترون چندلایه در مسائل طبقه‌بندی
• 32. پیاده‌سازی یک شبکه عصبی ساده با استفاده از کتابخانه‌های استاندارد
• 33. مدیریت داده‌های ورودی و پیش‌پردازش برای شبکه‌های عصبی
• 34. تکنیک‌های نرمال‌سازی داده‌ها برای بهبود عملکرد مدل
• 35. بررسی خطاهای رایج در آموزش شبکه‌های عصبی
• 36. تکنیک‌های عیب‌یابی (Debugging) در مدل‌های یادگیری عمیق
• 37. مفاهیم پایه در بهینه‌سازی توابع هزینه غیرمحدب
• 38. تفاوت یادگیری نظارت‌شده و کاربرد آن در پرسپترون‌ها
• 39. آشنایی با محیط‌های برنامه‌نویسی استاندارد برای یادگیری عمیق
• 40. اخلاق در توسعه هوش مصنوعی و مسئولیت‌پذیری در طراحی مدل‌ها
• 41. چشم‌انداز توسعه مدل‌های عصبی در صنایع و پژوهش‌های ملی