کتاب صوتی مقدمه‌ای بر یادگیری عمیق: شبکه‌های عصبی پیچیده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری عمیق: شبکه‌های عصبی پیچیده

موضوع کلی: مهندسی کامپیوتر

موضوع میانی: مبانی هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق و کاربردهای آن
• 2. شبکه‌های عصبی: مفاهیم پایه و تاریخچه
• 3. نورون مصنوعی: مدل‌سازی و عملکرد
• 4. تابع فعال‌سازی: انواع و کاربردها
• 5. شبکه‌های عصبی پیش‌خور: معماری و آموزش
• 6. الگوریتم پس‌انتشار خطا (Backpropagation)
• 7. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 8. نرخ یادگیری و تنظیم آن
• 9. تابع هزینه (Cost Function): انواع و انتخاب
• 10. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 11. تکنیک‌های منظم‌سازی (Regularization)
• 12. شبکه‌های عصبی کانولوشنال (CNN): مقدمه و کاربردها
• 13. لایه کانولوشن (Convolutional Layer)
• 14. لایه تجمیع (Pooling Layer)
• 15. معماری‌های معروف CNN: LeNet, AlexNet, VGGNet
• 16. شبکه‌های عصبی بازگشتی (RNN): مقدمه و کاربردها
• 17. حافظه کوتاه‌مدت بلندمدت (LSTM)
• 18. شبکه‌های عصبی دروازه‌دار بازگشتی (GRU)
• 19. پردازش زبان طبیعی با RNN
• 20. تولید متن با مدل‌های زبانی
• 21. شبکه‌های خودرمزگذار (Autoencoders)
• 22. خودرمزگذار متغیر (Variational Autoencoders)
• 23. شبکه‌های مولد تخاصمی (GANs): مقدمه و کاربردها
• 24. شبکه‌های GAN شرطی (Conditional GANs)
• 25. یادگیری انتقالی (Transfer Learning)
• 26. تنظیم دقیق (Fine-tuning)
• 27. انتخاب ویژگی (Feature Selection)
• 28. معماری‌های پیشرفته شبکه‌های عصبی
• 29. شبکه‌های Residual (ResNet)
• 30. شبکه‌های Inception
• 31. شبکه‌های DenseNet
• 32. کاربرد یادگیری عمیق در بینایی ماشین
• 33. تشخیص اشیا (Object Detection)
• 34. تقسیم‌بندی معنایی (Semantic Segmentation)
• 35. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 36. ترجمه ماشینی
• 37. خلاصه‌سازی متن
• 38. تحلیل احساسات
• 39. کاربرد یادگیری عمیق در تشخیص گفتار
• 40. تبدیل ویژگی‌های صوتی (MFCC)
• 41. مدل‌های آکوستیک
• 42. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
• 43. فیلترهای مشارکتی (Collaborative Filtering)
• 44. توصیه‌گرهای مبتنی بر محتوا (Content-based Recommenders)
• 45. یادگیری تقویتی (Reinforcement Learning): مقدمه
• 46. الگوریتم Q-learning
• 47. سیاست گرادیان (Policy Gradient)
• 48. ابزارهای یادگیری عمیق: TensorFlow, Keras, PyTorch
• 49. دیباگینگ و پروفایلینگ مدل‌های یادگیری عمیق
• 50. بهینه‌سازی عملکرد مدل‌های یادگیری عمیق
• 51. استقرار مدل‌های یادگیری عمیق
• 52. مباحث اخلاقی در یادگیری عمیق