کتاب صوتی یادگیری عمیق: از تئوری تا عمل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق: از تئوری تا عمل

موضوع کلی: سیستم‌های کامپیوتری پیشرفته

موضوع میانی: شبکه‌های عصبی (Neural Networks)

📋 سرفصل‌های دوره

• 1. مبانی یادگیری عمیق و کاربردهای آن
• 2. شبکه‌های عصبی مصنوعی: معرفی و تاریخچه
• 3. پرceptron: الگوریتم و کاربردها
• 4. توابع فعال‌سازی: انواع و انتخاب مناسب
• 5. شبکه‌های عصبی چندلایه: ساختار و آموزش
• 6. الگوریتم پس‌انتشار خطا: تئوری و پیاده‌سازی
• 7. بهینه‌سازها: گرادیان کاهشی، Adam، و RMSprop
• 8. تنظیم‌سازی: جلوگیری از بیش‌برازش
• 9. اعتبارسنجی متقابل: ارزیابی مدل‌های یادگیری عمیق
• 10. مقدمه‌ای بر چارچوب‌های یادگیری عمیق: TensorFlow و PyTorch
• 11. TensorFlow: نصب، پیکربندی و مفاهیم پایه
• 12. PyTorch: نصب، پیکربندی و مفاهیم پایه
• 13. کار با داده‌ها در یادگیری عمیق: پیش‌پردازش و آماده‌سازی
• 14. شبکه‌های عصبی کانولوشنی (CNN): معرفی و کاربردها
• 15. CNN برای تشخیص تصویر: معماری‌ها و تکنیک‌ها
• 16. CNN برای پردازش ویدئو: لایه‌های زمانی و شبکه‌های سه بعدی
• 17. شبکه‌های عصبی بازگشتی (RNN): معرفی و کاربردها
• 18. RNN برای پردازش زبان طبیعی (NLP): مدل‌سازی زبان
• 19. LSTM و GRU: مقابله با مشکل ناپدید شدن گرادیان
• 20. توالی به توالی: ترجمه ماشینی و خلاصه‌سازی متن
• 21. Embeddings کلمه: Word2Vec و GloVe
• 22. شبکه‌های مولد تخاصمی (GAN): معرفی و کاربردها
• 23. GAN برای تولید تصویر: DCGAN و CycleGAN
• 24. یادگیری تقویتی: معرفی و مفاهیم پایه
• 25. Q-learning: الگوریتم و کاربردها
• 26. Deep Q-Network (DQN): ترکیب یادگیری عمیق و یادگیری تقویتی
• 27. Autoencoders: کاهش ابعاد و بازسازی داده
• 28. Variational Autoencoders (VAE): تولید داده‌های جدید
• 29. شبکه‌های توجه (Attention Networks): افزایش دقت مدل‌ها
• 30. Transformer Networks: معماری و کاربردها
• 31. BERT: مدل زبانی پیشرفته و کاربردهای آن
• 32. تشخیص اشیا در تصاویر: R-CNN و YOLO
• 33. Segmentation تصاویر: U-Net و Mask R-CNN
• 34. انتقال یادگیری: استفاده از مدل‌های از پیش آموزش‌دیده
• 35. Fine-tuning: تنظیم دقیق مدل‌ها برای وظایف خاص
• 36. یادگیری خودنظارتی: استفاده از داده‌های بدون برچسب
• 37. یادگیری چندوظیفه‌ای: بهبود عملکرد مدل با انجام وظایف متعدد
• 38. مفاهیم پیشرفته در بهینه‌سازی: Batch Normalization و Dropout
• 39. Regularization تکنیک‌ها: L1 و L2
• 40. تشخیص و رفع مشکلات آموزش مدل‌های یادگیری عمیق
• 41. استقرار مدل‌های یادگیری عمیق: تولید و بهینه‌سازی
• 42. اخلاق در یادگیری عمیق: سوگیری و حریم خصوصی
• 43. یادگیری عمیق در حوزه‌های مختلف: پزشکی، مالی، و غیره
• 44. آینده یادگیری عمیق: ترندها و چالش‌ها
• 45. منابع و ابزارهای مفید برای یادگیری عمیق