کتاب صوتی تقطیر دانش برای طبقه‌بندی چندبرچسبی: از تئوری تا پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تقطیر دانش برای طبقه‌بندی چندبرچسبی: از تئوری تا پیاده‌سازی

موضوع کلی: یادگیری ماشین

موضوع میانی: یادگیری عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و طبقه‌بندی
• 2. آشنایی با طبقه‌بندی چندبرچسبی
• 3. چالش‌های طبقه‌بندی چندبرچسبی
• 4. معیارهای ارزیابی در طبقه‌بندی چندبرچسبی
• 5. شبکه‌های عصبی عمیق برای طبقه‌بندی چندبرچسبی
• 6. مقدمه‌ای بر تقطیر دانش
• 7. چرا تقطیر دانش؟ مزایا و کاربردها
• 8. تقطیر دانش در طبقه‌بندی چندبرچسبی: یک نمای کلی
• 9. مفهوم Teacher Model و Student Model
• 10. تابع Loss در تقطیر دانش
• 11. Soft Targets و نقش آن‌ها در تقطیر دانش
• 12. Temperature Scaling و تنظیم Soft Targets
• 13. انواع روش‌های تقطیر دانش
• 14. تقطیر دانش مبتنی بر پاسخ (Response-Based)
• 15. تقطیر دانش مبتنی بر ویژگی (Feature-Based)
• 16. تقطیر دانش مبتنی بر رابطه (Relation-Based)
• 17. پیاده‌سازی تقطیر دانش با استفاده از TensorFlow/Keras
• 18. پیاده‌سازی تقطیر دانش با استفاده از PyTorch
• 19. انتخاب معماری مناسب برای Teacher Model
• 20. انتخاب معماری مناسب برای Student Model
• 21. تنظیم هایپرپارامترهای تقطیر دانش
• 22. اثرات مختلف Temperature در عملکرد مدل
• 23. استفاده از داده‌های بدون برچسب در تقطیر دانش
• 24. تقطیر دانش خودیادگیری (Self-Distillation)
• 25. تقطیر دانش متقابل (Mutual Distillation)
• 26. تقطیر دانش با استفاده از مجموعه‌های داده‌ای بزرگ
• 27. بهینه‌سازی فرآیند تقطیر دانش
• 28. مقایسه روش‌های مختلف تقطیر دانش
• 29. کاربردهای تقطیر دانش در مسائل واقعی
• 30. تقطیر دانش برای مدل‌های زبانی بزرگ (LLMs) در طبقه‌بندی چندبرچسبی
• 31. تقطیر دانش برای پردازش تصویر در طبقه‌بندی چندبرچسبی
• 32. تقطیر دانش برای داده‌های سری زمانی در طبقه‌بندی چندبرچسبی
• 33. تقطیر دانش برای داده‌های متنی در طبقه‌بندی چندبرچسبی
• 34. ارزیابی و تحلیل نتایج تقطیر دانش
• 35. تفسیرپذیری مدل‌های تقطیر شده
• 36. چالش‌ها و محدودیت‌های تقطیر دانش
• 37. روش‌های مقابله با overfitting در تقطیر دانش
• 38. تقطیر دانش در محیط‌های با منابع محدود
• 39. آینده تقطیر دانش و مسیرهای تحقیقاتی
• 40. تقطیر دانش و یادگیری فدرال (Federated Learning)
• 41. پیاده‌سازی تقطیر دانش در سیستم‌های توزیع شده
• 42. استفاده از تقطیر دانش برای کاهش حجم مدل
• 43. بهینه‌سازی تقطیر دانش برای استقرار روی دستگاه‌های لبه‌ای (Edge Devices)
• 44. تقطیر دانش و انتقال یادگیری (Transfer Learning)
• 45. تقطیر دانش و یادگیری تقویتی (Reinforcement Learning)
• 46. مطالعه موردی: تقطیر دانش در تشخیص بیماری‌ها
• 47. مطالعه موردی: تقطیر دانش در تحلیل احساسات
• 48. مطالعه موردی: تقطیر دانش در تشخیص تقلب