کتاب صوتی آموزش کاربردی یادگیری عمیق با کتابخانه کراس (Keras) برای توسعه سامانه‌های هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی یادگیری عمیق با کتابخانه کراس (Keras) برای توسعه سامانه‌های هوشمند

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری عمیق و شبکه‌های عصبی

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی هوش مصنوعی و جایگاه یادگیری عمیق در علوم رایانه
• 2. معرفی کتابخانه کراس و آماده‌سازی محیط توسعه پایتون
• 3. مفهوم شبکه‌های عصبی مصنوعی و مدل نورون پرسپترون
• 4. توابع فعال‌سازی و نقش آن‌ها در یادگیری غیرخطی
• 5. ساختار شبکه عصبی چندلایه و الگوریتم پس‌انتشار خطا
• 6. مبانی پیش‌پردازش داده‌ها و نرمال‌سازی ورودی‌ها در کراس
• 7. پیاده‌سازی نخستین مدل شبکه عصبی متراکم با Keras
• 8. توابع هزینه و معیارهای ارزیابی عملکرد مدل
• 9. بهینه‌سازهای گرادیان کاهشی و تنظیم نرخ یادگیری
• 10. مفهوم بیش‌برازش و تکنیک‌های منظم‌سازی شامل Dropout
• 11. استراتژی‌های تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 12. شبکه‌های عصبی کانولوشنی و پردازش تصویر
• 13. لایه‌های کانولوشن و استخراج ویژگی‌های سلسله‌مراتبی
• 14. لایه‌های ادغام یا پولینگ و کاهش ابعاد داده‌های تصویری
• 15. معماری‌های کلاسیک در بینایی ماشین و مدل‌های پیش‌آموزش‌دیده
• 16. آموزش مدل‌های دسته‌بندی تصویر با استفاده از Keras
• 17. تکنیک‌های افزایش داده برای بهبود دقت مدل‌های تصویری
• 18. مبانی پردازش زبان طبیعی و مدل‌سازی متن
• 19. لایه‌های Embedding و بازنمایی برداری کلمات
• 20. شبکه‌های عصبی بازگشتی و کاربرد آن‌ها در داده‌های توالی
• 21. معماری‌های LSTM و GRU برای مقابله با مشکل محو شدگی گرادیان
• 22. مکانیسم توجه و تحول در پردازش توالی‌ها
• 23. مدل‌سازی سری‌های زمانی با شبکه‌های عصبی
• 24. پیاده‌سازی شبکه‌های عصبی برای پیش‌بینی مقادیر عددی
• 25. ذخیره‌سازی مدل‌ها و استفاده از مدل‌های از پیش آموزش‌دیده
• 26. استفاده از Callbacks برای مدیریت هوشمند فرآیند آموزش
• 27. تنظیم ابرپارامترها برای بهینه‌سازی عملکرد شبکه
• 28. مفاهیم پایه در یادگیری تقویتی و کاربرد آن در محیط‌های شبیه‌سازی
• 29. آشنایی با مدل‌های مولد و شبکه‌های رقابتی
• 30. نکات کلیدی در پیاده‌سازی سامانه‌های هوشمند در محیط‌های صنعتی
• 31. بررسی اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه الگوریتم‌ها
• 32. پروژه نهایی: طراحی و پیاده‌سازی یک سامانه تشخیص هوشمند با کراس