کتاب صوتی یادگیری عمیق و حذف نویزهای پیچیده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق و حذف نویزهای پیچیده

موضوع کلی: یادگیری عمیق در بینایی ماشین

موضوع میانی: یادگیری عمیق برای حذف نویز تصاویر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. شبکه‌های عصبی مصنوعی: مبانی
• 3. لایه‌های عصبی و فعال‌سازی
• 4. توابع هزینه و بهینه‌سازی
• 5. گرادیان کاهشی و الگوریتم‌های آن
• 6. انتشار پس‌رو و یادگیری
• 7. نرم‌کننده‌های نرخ یادگیری
• 8. شبکه‌های عصبی چندلایه
• 9. بیش‌برازش و تنظیم‌سازی
• 10. تنظیم‌سازی L1 و L2
• 11. Dropout و جلوگیری از بیش‌برازش
• 12. معماری‌های پیشرفته شبکه‌های عصبی
• 13. شبکه‌های عصبی کانولوشن (CNN)
• 14. فیلترها و نقشه‌های ویژگی در CNN
• 15. لایه‌های Pooling در CNN
• 16. معماری‌های CNN برای تشخیص تصویر
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. حافظه کوتاه‌مدت طولانی (LSTM)
• 19. دروازه‌های LSTM و نحوه عملکرد آن‌ها
• 20. شبکه‌های Gated Recurrent Unit (GRU)
• 21. کاربردهای RNN در پردازش زبان طبیعی
• 22. پردازش زبان طبیعی و کلمات
• 23. Embedding کلمات و نمایش آن‌ها
• 24. مدل‌های زبانی و تولید متن
• 25. شبکه‌های مولد تخاصمی (GAN)
• 26. تولید تصویر با استفاده از GAN
• 27. تولید داده‌های مصنوعی با GAN
• 28. شبکه‌های خودرمزگذار (Autoencoder)
• 29. کاهش ابعاد با استفاده از Autoencoder
• 30. یادگیری بدون نظارت و خوشه‌بندی
• 31. تشخیص ناهنجاری با استفاده از Autoencoder
• 32. نرم‌افزارهای یادگیری عمیق: TensorFlow
• 33. نرم‌افزارهای یادگیری عمیق: Keras
• 34. نرم‌افزارهای یادگیری عمیق: PyTorch
• 35. بهینه‌سازی مدل‌های یادگیری عمیق
• 36. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 37. اعتبارسنجی متقابل (Cross-Validation)
• 38. ارزیابی عملکرد مدل‌ها
• 39. متریک‌های ارزیابی در یادگیری عمیق
• 40. مدل‌سازی داده‌های سری زمانی
• 41. پیش‌بینی با استفاده از شبکه‌های عصبی
• 42. کاربردهای یادگیری عمیق در پزشکی
• 43. کاربردهای یادگیری عمیق در خودروهای خودران
• 44. کاربردهای یادگیری عمیق در تشخیص تقلب
• 45. کاربردهای یادگیری عمیق در بازاریابی