کتاب صوتی مبانی و کاربردهای شبکه‌های عصبی بازگشتی (RNN) در تحلیل داده‌های سری زمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای شبکه‌های عصبی بازگشتی (RNN) در تحلیل داده‌های سری زمانی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق و پردازش توالی‌ها

📋 سرفصل‌های دوره

• 1. مفهوم توالی در داده‌ها و اهمیت تحلیل سری‌های زمانی
• 2. ساختار و معماری پایه‌ای شبکه‌های عصبی بازگشتی
• 3. تفاوت شبکه‌های عصبی پیش‌خور با شبکه‌های بازگشتی
• 4. ریاضیات حاکم بر لایه‌های پنهان در شبکه‌های بازگشتی
• 5. تابع فعال‌ساز تانژانت هیپربولیک در مدل‌های بازگشتی
• 6. فرآیند انتشار بازگشتی در زمان یا BPTT
• 7. چالش محو شدگی گرادیان در آموزش شبکه‌های بازگشتی
• 8. چالش انفجار گرادیان و راهکارهای مدیریت آن
• 9. معماری حافظه کوتاه-مدت بلند یا LSTM
• 10. ساختار گیت‌های فراموشی در سلول‌های LSTM
• 11. مکانیسم گیت‌های ورودی و خروجی در LSTM
• 12. معماری واحدهای بازگشتی دروازه‌دار یا GRU
• 13. مقایسه عملکردی میان سلول‌های RNN و LSTM و GRU
• 14. پیش‌پردازش داده‌های متنی برای مدل‌های بازگشتی
• 15. روش‌های برداری‌سازی کلمات و توالی‌ها
• 16. آموزش شبکه‌های بازگشتی با استفاده از کتابخانه تنسورفلو
• 17. پیاده‌سازی مدل‌های RNN در چارچوب پای‌تورچ
• 18. مدل‌سازی سری‌های زمانی اقتصادی و پیش‌بینی روندها
• 19. کاربرد شبکه‌های بازگشتی در تحلیل داده‌های حسگرهای صنعتی
• 20. مدل‌های بازگشتی چندلایه و عمیق
• 21. استفاده از Dropout در شبکه‌های عصبی بازگشتی
• 22. تکنیک‌های تنظیم مدل برای جلوگیری از بیش‌برازش
• 23. ارزیابی عملکرد مدل‌های توالی با معیارهای خطای استاندارد
• 24. مدل‌های رمزگذار-رمزگشا در پردازش توالی‌ها
• 25. مکانیسم توجه در شبکه‌های عصبی بازگشتی
• 26. پیش‌بینی قیمت و حجم معاملات در بازارهای مالی با رعایت ضوابط
• 27. تحلیل سری‌های زمانی هواشناسی با استفاده از RNN
• 28. پردازش سیگنال‌های پزشکی با رویکرد شبکه‌های عصبی
• 29. روش‌های بهینه‌سازی نرخ یادگیری در آموزش شبکه‌های توالی
• 30. تکنیک‌های افزایش داده برای بهبود دقت مدل‌های بازگشتی
• 31. استفاده از مدل‌های بازگشتی در سیستم‌های توصیه‌گر
• 32. مدل‌های دوطرفه یا Bidirectional RNN
• 33. ترکیب شبکه‌های کانولوشنی و بازگشتی برای داده‌های ترکیبی
• 34. استفاده از مدل‌های بازگشتی در پایش سلامت زیرساخت‌ها
• 35. تکنیک‌های ذخیره‌سازی و بازیابی مدل‌های آموزش‌دیده
• 36. نظارت بر همگرایی مدل در طول فرآیند آموزش
• 37. روش‌های تفسیرپذیری در مدل‌های بازگشتی
• 38. چالش‌های پیاده‌سازی مدل‌های سنگین در سیستم‌های تعبیه شده
• 39. آینده شبکه‌های بازگشتی در عصر مدل‌های ترنسفورمر
• 40. اخلاق و امنیت در استفاده از هوش مصنوعی برای تحلیل داده‌های حساس