کتاب صوتی مبانی یادگیری عمیق؛ از تئوری تا پیاده‌سازی کاربردی در حل مسائل مهندسی و صنعتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری عمیق؛ از تئوری تا پیاده‌سازی کاربردی در حل مسائل مهندسی و صنعتی

موضوع کلی: هوش مصنوعی و علوم داده

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مفاهیم پایه و ضرورت یادگیری عمیق در مهندسی مدرن
• 2. ساختار و عملکرد نورون‌های مصنوعی و مدل پرسپترون
• 3. توابع فعال‌ساز و نقش آن‌ها در مدل‌سازی غیرخطی
• 4. آشنایی با محیط‌های توسعه و کتابخانه‌های یادگیری عمیق
• 5. مبانی ریاضیات مورد نیاز برای درک شبکه‌های عصبی
• 6. پیاده‌سازی پرسپترون چندلایه با استفاده از فریم‌ورک‌های استاندارد
• 7. الگوریتم انتشار معکوس و بهینه‌سازی پارامترهای شبکه
• 8. روش‌های گرادیان کاهشی و مدیریت نرخ یادگیری
• 9. تکنیک‌های پیش‌پردازش داده‌ها و نرمال‌سازی ورودی‌ها
• 10. مسئله بیش‌برازش و راهکارهای منظم‌سازی مدل
• 11. ارزیابی عملکرد مدل‌های عصبی و معیارهای دقت
• 12. مبانی شبکه‌های عصبی کانولوشنی برای پردازش تصویر
• 13. لایه‌های کانولوشن و تجمیع در استخراج ویژگی‌های تصاویر
• 14. معماری‌های استاندارد شبکه‌های کانولوشنی در کاربردهای صنعتی
• 15. آموزش مدل‌های دسته‌بندی تصویر با استفاده از یادگیری انتقالی
• 16. اصول شبکه‌های عصبی بازگشتی و پردازش داده‌های توالی‌مند
• 17. واحد‌های حافظه بلندمدت و کاربرد آن‌ها در پیش‌بینی سری‌های زمانی
• 18. مکانیزم‌های توجه و تحول در پردازش زبان طبیعی
• 19. آشنایی با شبکه‌های مولد رقابتی در تولید داده‌های مصنوعی
• 20. اصول رمزگذارها و رمزگشاهای خودکار در کاهش ابعاد داده
• 21. کاربردهای یادگیری عمیق در پایش وضعیت تجهیزات صنعتی
• 22. تشخیص ناهنجاری در داده‌های سنسوری با استفاده از مدل‌های عصبی
• 23. بهینه‌سازی هایپرپارامترها برای بهبود کارایی مدل‌های مهندسی
• 24. مدیریت کلان‌داده‌ها در خطوط تولید و پردازش‌های هوشمند
• 25. استقرار مدل‌های یادگیری عمیق در سیستم‌های تعبیه شده صنعتی
• 26. ملاحظات امنیتی و پایداری در پیاده‌سازی سامانه‌های هوشمند
• 27. اخلاق در توسعه فناوری‌های هوش مصنوعی و مسئولیت‌پذیری مهندسی
• 28. بررسی موردی کاربرد یادگیری عمیق در کنترل فرآیندهای شیمیایی
• 29. کاربرد شبکه‌های عصبی در تحلیل داده‌های شبکه برق و انرژی
• 30. بهینه‌سازی مصرف منابع در آموزش مدل‌های سنگین محاسباتی
• 31. تکنیک‌های فشرده‌سازی مدل برای اجرا در محیط‌های محدود
• 32. یکپارچه‌سازی سامانه‌های هوش مصنوعی با زیرساخت‌های اتوماسیون صنعتی
• 33. آینده هوش مصنوعی در صنعت و نقش آن در تحقق جهش تولید
• 34. چالش‌های پیاده‌سازی عملیاتی و نگهداری مدل‌های هوشمند
• 35. پروژه نهایی طراحی یک سامانه هوشمند برای حل یک مسئله مهندسی بومی