کتاب صوتی بهینه‌سازی شبکه‌های عصبی: تکنیک‌ها و ابزارها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی شبکه‌های عصبی: تکنیک‌ها و ابزارها

موضوع کلی: سیستم‌های کامپیوتری پیشرفته

موضوع میانی: شبکه‌های عصبی (Neural Networks)

📋 سرفصل‌های دوره

• 1. بهینه‌سازی شبکه‌های عصبی: مقدمه‌ای و مفاهیم اساسی
• 2. معماری‌های پایه شبکه‌های عصبی
• 3. تابع فعال‌سازی و نقش آن در یادگیری
• 4. انتخاب تابع هزینه مناسب برای مسئله
• 5. روش‌های گرادیان کاهشی و انواع آن
• 6. نرخ یادگیری و تنظیم آن
• 7. تنظیم‌کننده‌ها (Regularization) و جلوگیری از بیش‌برازش
• 8. اعتبارسنجی متقابل (Cross-Validation) و ارزیابی مدل
• 9. بهینه‌سازی تصادفی گرادیان (SGD) و مشتقات آن
• 10. الگوریتم‌های بهینه‌سازی پیشرفته: Adam، RMSprop، Adagrad
• 11. مقایسه و انتخاب الگوریتم بهینه‌سازی مناسب
• 12. پیش‌پردازش داده‌ها و نرمال‌سازی
• 13. مقابله با داده‌های گمشده
• 14. انتخاب ویژگی (Feature Selection) و کاهش ابعاد
• 15. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 16. لایه‌های کانولوشنی، لایه‌های تجمیع و معماری CNN
• 17. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 18. حافظه کوتاه‌مدت بلند (LSTM) و دروازه‌های آن
• 19. شبکه‌های عصبی دوجهته (Bidirectional RNN)
• 20. شبکه‌های مولد تخاصمی (GAN) و کاربردهای آن
• 21. تولید داده‌های مصنوعی با استفاده از GAN
• 22. شبکه‌های عصبی خودرمزگذار (Autoencoder) و کاهش ابعاد
• 23. یادگیری انتقالی (Transfer Learning) و استفاده از مدل‌های پیش‌آموزش‌دیده
• 24. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌دیده
• 25. بهینه‌سازی هایپرپارامترها با استفاده از جستجوی شبکه‌ای
• 26. بهینه‌سازی هایپرپارامترها با استفاده از جستجوی تصادفی
• 27. بهینه‌سازی هایپرپارامترها با استفاده از الگوریتم‌های تکاملی
• 28. تشخیص و رفع مشکلات مربوط به گرادیان‌های محو و منفجر
• 29. تکنیک‌های افزایش داده (Data Augmentation)
• 30. استفاده از Dropout برای جلوگیری از بیش‌برازش
• 31. Batch Normalization و تاثیر آن بر سرعت یادگیری
• 32. Weight Initialization و انتخاب روش مناسب
• 33. بررسی و تحلیل اهمیت ویژگی‌ها
• 34. بهینه‌سازی شبکه‌های عصبی برای داده‌های نامتعادل
• 35. مدل‌های Ensemble و ترکیب شبکه‌های عصبی
• 36. بهینه‌سازی شبکه‌های عصبی برای دستگاه‌های با منابع محدود
• 37. کوانتیزاسیون (Quantization) و کاهش حجم مدل
• 38. تقطیر دانش (Knowledge Distillation) و انتقال دانش از مدل بزرگ به مدل کوچک
• 39. استفاده از TensorBoard برای تجسم و مانیتورینگ آموزش
• 40. خطایابی و دیباگینگ شبکه‌های عصبی
• 41. انتخاب سخت‌افزار مناسب برای آموزش شبکه‌های عصبی
• 42. استفاده از GPU و TPU برای تسریع آموزش
• 43. بهینه‌سازی حافظه در آموزش شبکه‌های عصبی بزرگ
• 44. کاربردهای شبکه‌های عصبی در پردازش زبان طبیعی
• 45. کاربردهای شبکه‌های عصبی در تشخیص الگو