کتاب صوتی آموزش جامع و کاربردی یادگیری عمیق با پایتون: از مبانی تا پیاده‌سازی پروژه‌های هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع و کاربردی یادگیری عمیق با پایتون: از مبانی تا پیاده‌سازی پروژه‌های هوشمند

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق در علوم رایانه
• 2. معرفی محیط برنامه‌نویسی پایتون برای یادگیری ماشین
• 3. آشنایی با کتابخانه‌های محاسباتی نام‌پای و پانداز
• 4. مبانی ریاضیاتی یادگیری عمیق شامل جبر خطی و آمار کاربردی
• 5. مفهوم تابع و مشتق در بهینه‌سازی مدل‌های هوشمند
• 6. ساختار شبکه عصبی مصنوعی و مدل نورون پرسپترون
• 7. توابع فعال‌ساز و نقش آن‌ها در یادگیری غیرخطی
• 8. مفهوم پس‌انتشار خطا و الگوریتم گرادیان کاهشی
• 9. آموزش کتابخانه کراس و تنسورفلو برای ساخت مدل
• 10. پیش‌پردازش داده‌ها و نرمال‌سازی برای بهبود عملکرد شبکه
• 11. ساخت اولین شبکه عصبی متراکم برای مسائل رگرسیون
• 12. مفهوم بیش‌برازش و روش‌های منظم‌سازی شبکه
• 13. استفاده از دراپ‌اوت برای افزایش تعمیم‌پذیری مدل
• 14. بررسی توابع هزینه و بهینه‌سازهای رایج در یادگیری عمیق
• 15. مبانی شبکه‌های عصبی کانولوشنی برای پردازش تصویر
• 16. لایه‌های کانولوشن و استخراج ویژگی‌های بصری
• 17. لایه‌های ادغام و کاهش ابعاد در تصاویر
• 18. پیاده‌سازی مدل‌های طبقه‌بندی تصویر با استفاده از سی‌ان‌ان
• 19. آشنایی با معماری‌های معروف شبکه عصبی مانند وی‌جی‌جی
• 20. مفهوم انتقال یادگیری و بهره‌گیری از مدل‌های پیش‌آموزش‌دیده
• 21. پردازش زبان طبیعی و تبدیل متن به بردارهای عددی
• 22. ساختار شبکه‌های عصبی بازگشتی برای داده‌های ترتیبی
• 23. آشنایی با واحدهای حافظه بلندمدت کوتاه‌مدت
• 24. مکانیسم توجه و تحول در پردازش متون
• 25. مبانی شبکه‌های مولد رقابتی برای تولید داده‌های مصنوعی
• 26. معرفی خودرمزگذارها برای کاهش ابعاد و فشرده‌سازی داده‌ها
• 27. کاربرد یادگیری عمیق در تحلیل داده‌های سری زمانی
• 28. بهینه‌سازی هایپرپارامترها برای بهبود دقت مدل
• 29. نظارت بر فرآیند آموزش با استفاده از تنسوربرد
• 30. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 31. پیاده‌سازی یک پروژه جامع طبقه‌بندی تصاویر پزشکی
• 32. پیاده‌سازی پروژه تشخیص متن و تحلیل احساسات
• 33. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه الگوریتم‌ها
• 34. رعایت حریم خصوصی و امنیت داده‌ها در سامانه‌های هوشمند
• 35. آینده یادگیری عمیق و نقش آن در توسعه زیرساخت‌های ملی