کتاب صوتی شبکه‌های عصبی بازگشتی و تحلیل سری‌های زمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی بازگشتی و تحلیل سری‌های زمانی

موضوع کلی: سیستم‌های کامپیوتری پیشرفته

موضوع میانی: شبکه‌های عصبی (Neural Networks)

📋 سرفصل‌های دوره

• 1. شبکه‌های عصبی بازگشتی: مقدمه‌ای و کاربردها
• 2. سری‌های زمانی: مفاهیم پایه و ویژگی‌ها
• 3. پیش‌پردازش داده‌های سری زمانی
• 4. آمار توصیفی سری‌های زمانی
• 5. تجزیه واریانس سری‌های زمانی
• 6. خودهمبستگی و خودهمبستگی جزئی
• 7. مدل‌های AR، MA و ARMA
• 8. انتخاب مرتبه مدل‌های ARMA
• 9. تخمین پارامترهای مدل‌های ARMA
• 10. آزمون‌های برازش مدل‌های ARMA
• 11. پیش‌بینی با مدل‌های ARMA
• 12. سری‌های زمانی غیرایستا
• 13. آزمون‌های ایستایی سری‌های زمانی
• 14. تبدیل سری‌های زمانی به ایستا
• 15. مدل‌های ARIMA و کاربردها
• 16. انتخاب مرتبه مدل‌های ARIMA
• 17. تخمین پارامترهای مدل‌های ARIMA
• 18. آزمون‌های برازش مدل‌های ARIMA
• 19. پیش‌بینی با مدل‌های ARIMA
• 20. شبکه‌های عصبی بازگشتی ساده (RNN)
• 21. معماری شبکه‌های RNN
• 22. تابع فعال‌ساز تانژانت هیپربولیک (tanh)
• 23. مشکل ناپدید شدن گرادیان
• 24. شبکه‌های حافظه‌دار بلندمدت (LSTM)
• 25. معماری شبکه‌های LSTM
• 26. دروازه‌های ورودی، فراموشی و خروجی در LSTM
• 27. شبکه‌های گیت‌دار بازگشتی (GRU)
• 28. معماری شبکه‌های GRU
• 29. تفاوت‌های LSTM و GRU
• 30. شبکه‌های دوطرفه RNN (BRNN)
• 31. کاربردهای BRNN در تحلیل سری‌های زمانی
• 32. شبکه‌های عصبی بازگشتی عمیق (DRNN)
• 33. استفاده از DRNN برای مدل‌سازی پیچیدگی‌های سری زمانی
• 34. شبکه‌های مولد تخاصمی (GAN) برای سری‌های زمانی
• 35. تولید داده‌های مصنوعی سری زمانی با GAN
• 36. شبکه‌های توالی به توالی (Seq2Seq)
• 37. کاربردهای Seq2Seq در پیش‌بینی سری‌های زمانی
• 38. مکانیسم توجه (Attention Mechanism) در RNN
• 39. بهبود دقت پیش‌بینی با مکانیسم توجه
• 40. انواع مختلف توابع هزینه برای RNN
• 41. بهینه‌سازی مدل‌های RNN
• 42. تنظیم بیش‌ازحد و روش‌های جلوگیری از آن
• 43. اعتبارسنجی متقابل مدل‌های RNN
• 44. معیارهای ارزیابی مدل‌های پیش‌بینی سری زمانی
• 45. بررسی خطاها و تجزیه و تحلیل باقیمانده