کتاب صوتی جامع کاربردی یادگیری عمیق؛ از مبانی تا پیاده‌سازی‌های هوشمند با رویکرد حل مسائل فنی و صنعتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع کاربردی یادگیری عمیق؛ از مبانی تا پیاده‌سازی‌های هوشمند با رویکرد حل مسائل فنی و صنعتی

موضوع کلی: هوش مصنوعی و علوم داده

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق در علوم داده
• 2. مرور ریاضیات پایه برای یادگیری عمیق جبر خطی و احتمالات
• 3. مفاهیم پایه یادگیری ماشین و تفاوت آن با یادگیری عمیق
• 4. ساختار نورون مصنوعی و مدل پرسپترون ساده
• 5. توابع فعال‌سازی و نقش آن‌ها در شبکه‌های عصبی
• 6. الگوریتم انتشار رو به عقب و نحوه یادگیری شبکه‌ها
• 7. بهینه‌سازها و الگوریتم‌های گرادیان کاهشی
• 8. چالش بیش‌برازش و روش‌های منظم‌سازی در شبکه‌های عصبی
• 9. معماری شبکه‌های عصبی پیش‌خور
• 10. مقدمه‌ای بر کتابخانه‌های پیاده‌سازی هوش مصنوعی پایتون
• 11. کار با تنسورها و عملیات ریاضی در فریم‌ورک‌های یادگیری عمیق
• 12. شبکه‌های عصبی کانولوشنی و پردازش تصویر
• 13. لایه‌های پولینگ و استخراج ویژگی‌های سلسله‌مراتبی
• 14. معماری‌های معروف شبکه‌های عصبی در بینایی ماشین
• 15. پیاده‌سازی تشخیص اشیاء در تصاویر صنعتی
• 16. پردازش توالی‌ها و شبکه‌های عصبی بازگشتی
• 17. شبکه‌های حافظه طولانی کوتاه مدت
• 18. مکانیسم توجه و تحول در مدل‌های توالی‌محور
• 19. مقدمه‌ای بر ترنسفورمرها و کاربردهای آن‌ها
• 20. شبکه‌های مولد رقابتی برای تولید داده‌های مصنوعی
• 21. رمزگذارها و رمزگشاهای خودکار برای کاهش ابعاد
• 22. یادگیری انتقالی و استفاده از مدل‌های پیش‌آموزش‌دیده
• 23. استراتژی‌های پیش‌پردازش داده‌های حجیم صنعتی
• 24. پاک‌سازی و مهندسی ویژگی‌ها در پروژه‌های داده‌محور
• 25. ارزیابی مدل‌های یادگیری عمیق و معیارهای دقت
• 26. مدیریت حافظه و بهینه‌سازی محاسباتی در آموزش مدل‌ها
• 27. پیاده‌سازی سیستم‌های توصیه‌گر هوشمند
• 28. کاربرد یادگیری عمیق در تحلیل سری‌های زمانی مالی
• 29. پیش‌بینی تقاضا و نگهداری پیش‌گیرانه در صنایع
• 30. استقرار مدل‌های هوشمند در محیط‌های عملیاتی
• 31. اخلاق حرفه‌ای در توسعه و به‌کارگیری هوش مصنوعی
• 32. مستندسازی و گزارش‌دهی پروژه‌های علوم داده
• 33. بهینه‌سازی مدل‌ها برای اجرا در سیستم‌های نهفته
• 34. تکنیک‌های فشرده‌سازی مدل و کاهش وزن پارامترها
• 35. آموزش توزیع‌شده و استفاده از توان پردازشی گرافیکی
• 36. تجسم داده‌ها و خروجی‌های شبکه‌های عصبی
• 37. حل مسائل بهینه‌سازی با استفاده از شبکه‌های عصبی
• 38. رویکردهای ترکیبی یادگیری عمیق و منطق فازی
• 39. مطالعه موردی پیاده‌سازی یک پروژه جامع هوش مصنوعی صنعتی