کتاب صوتی شبکه‌های عصبی و یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی و یادگیری عمیق

موضوع کلی: مدیریت دانش و داده‌کاوی

موضوع میانی: داده‌کاوی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی
• 2. الگوریتم یادگیری نظارت شده
• 3. رگرسیون خطی و شبکه‌های عصبی
• 4. رگرسیون لجستیک و طبقه‌بندی
• 5. تابع فعال‌سازی سیگموئید
• 6. تابع فعال‌سازی ReLU و انواع آن
• 7. شبکه‌های عصبی چندلایه (MLP)
• 8. بهینه‌سازی گرادیان کاهشی
• 9. انتخاب نرخ یادگیری
• 10. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 11. معیارهای ارزیابی مدل‌های رگرسیون
• 12. بیش‌برازش و کم‌برازش
• 13. تنظیم‌سازی L1 و L2
• 14. Dropout و جلوگیری از بیش‌برازش
• 15. شبکه‌های عصبی کانولوشنی (CNN)
• 16. لایه کانولوشنی
• 17. لایه ادغام (Pooling)
• 18. معماری‌های معروف CNN (AlexNet, VGG)
• 19. شبکه‌های عصبی بازگشتی (RNN)
• 20. حافظه کوتاه‌مدت بلند (LSTM)
• 21. واحد تکرارشونده دروازه‌دار (GRU)
• 22. پردازش زبان طبیعی با RNN
• 23. مدل‌های زبانی
• 24. تولید متن با شبکه‌های عصبی
• 25. تشخیص گفتار با شبکه‌های عصبی
• 26. بینایی کامپیوتر با شبکه‌های عصبی
• 27. تشخیص اشیاء در تصاویر
• 28. قطعه‌بندی تصاویر
• 29. شبکه‌های مولد تخاصمی (GAN)
• 30. تولید تصاویر با GAN
• 31. یادگیری تقویتی (Reinforcement Learning)
• 32. Q-Learning و Deep Q-Network (DQN)
• 33. سیاست گرادیان (Policy Gradient)
• 34. کاربردهای یادگیری تقویتی
• 35. Autoencoders و کاهش ابعاد
• 36. انواع Autoencoders (Variational Autoencoders)
• 37. انتقال یادگیری (Transfer Learning)
• 38. Fine-tuning مدل‌های پیش‌آموزش‌دیده
• 39. بهینه‌سازهای پیشرفته (Adam, RMSprop)
• 40. Batch Normalization و بهبود آموزش
• 41. Regularization Techniques در شبکه‌های عمیق
• 42. Hyperparameter Tuning و جستجوی بهینه
• 43. مدل‌های Ensemble و افزایش دقت
• 44. شبکه‌های عصبی گراف (GNN)
• 45. کاربردهای GNN در داده‌های گرافیکی