کتاب صوتی طراحی و آموزش شبکه‌های عصبی با رویکرد یادگیری عمیق (Deep Learning) و کاربردهای آن در حل مسائل پیچیده محاسباتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و آموزش شبکه‌های عصبی با رویکرد یادگیری عمیق (Deep Learning) و کاربردهای آن در حل مسائل پیچیده محاسباتی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق (Deep Neural Networks)

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق در علوم محاسباتی
• 2. مروری بر ساختار نورون‌های بیولوژیک و مدل‌های ریاضی عصبی
• 3. معرفی پرسپترون ساده و محدودیت‌های محاسباتی آن
• 4. آشنایی با توابع فعال‌ساز و نقش آن‌ها در انتقال غیرخطی
• 5. ساختار شبکه‌های عصبی پیش‌خور و لایه‌های پنهان
• 6. الگوریتم انتشار معکوس و محاسبه مشتقات زنجیره‌ای
• 7. بهینه‌سازهای مبتنی بر گرادیان و روش‌های نزول گرادیان تصادفی
• 8. چالش‌های آموزش شبکه‌های عمیق از جمله گرادیان‌های محو شونده و انفجاری
• 9. انتخاب و تنظیم نرخ یادگیری برای همگرایی بهینه
• 10. روش‌های مقداردهی اولیه وزن‌ها و بایاس‌ها
• 11. تکنیک‌های منظم‌سازی برای جلوگیری از بیش‌برازش
• 12. معرفی لایه‌های نرمال‌سازی دسته‌ای و تاثیر آن‌ها بر پایداری آموزش
• 13. اصول کار با داده‌های آموزشی و پیش‌پردازش‌های ضروری
• 14. معماری شبکه‌های عصبی کانولوشنی برای پردازش تصاویر
• 15. لایه‌های ادغام و استخراج ویژگی در مدل‌های بینایی ماشین
• 16. بررسی مدل‌های پیش‌خور در کاربردهای طبقه‌بندی داده‌های ساختاریافته
• 17. مقدمه‌ای بر شبکه‌های عصبی بازگشتی و پردازش توالی‌ها
• 18. آشنایی با مفهوم حافظه کوتاه-مدت طولانی در مدل‌های بازگشتی
• 19. اصول معماری‌های مبتنی بر توجه در یادگیری عمیق
• 20. مقدمه‌ای بر مدل‌های ترنسفورمر و تحول در پردازش زبان طبیعی
• 21. روش‌های آموزش نظارت‌شده و چالش‌های برچسب‌گذاری داده‌ها
• 22. آشنایی کلی با یادگیری نیمه‌نظارت‌شده و خودنظارت‌شده
• 23. معرفی شبکه‌های مولد رقابتی و کاربردهای علمی آن‌ها
• 24. استفاده از خودرمزگذارها در کاهش ابعاد و فشرده‌سازی داده‌ها
• 25. اصول انتقال یادگیری و بهره‌گیری از مدل‌های پیش‌آموزش‌دیده
• 26. استراتژی‌های ارزیابی مدل و معیارهای دقت و فراخوانی
• 27. تکنیک‌های تحلیل خطا و رفع سوگیری در مدل‌های هوش مصنوعی
• 28. کاربرد شبکه‌های عصبی در پیش‌بینی سری‌های زمانی اقتصادی
• 29. بهینه‌سازی مدل‌ها برای اجرا در محیط‌های با منابع محدود
• 30. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه سامانه‌های هوشمند
• 31. امنیت و تاب‌آوری در شبکه‌های عصبی در برابر حملات خصمانه
• 32. ملاحظات بومی‌سازی و انطباق مدل‌های یادگیری عمیق با نیازهای ملی
• 33. بررسی نقش هوش مصنوعی در بهینه‌سازی زیرساخت‌های صنعتی و کشاورزی
• 34. کاربرد یادگیری عمیق در تحلیل داده‌های پزشکی با رعایت حریم خصوصی
• 35. چشم‌انداز آینده و مسیرهای پژوهشی در یادگیری ماشین پیشرفته