کتاب صوتی یادگیری عمیق با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق با پایتون

موضوع کلی: علوم داده و مهندسی داده

موضوع میانی: شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. شبکه‌های عصبی مصنوعی: اصول اولیه
• 3. لایه‌های مختلف شبکه‌های عصبی
• 4. تابع فعال‌سازی و انواع آن
• 5. گرادیان کاهشی و بهینه‌سازی
• 6. انتخاب تابع هزینه مناسب
• 7. بیش‌برازش (Overfitting) و راه‌های مقابله با آن
• 8. تنظیم‌سازی (Regularization)
• 9. روش‌های اعتبارسنجی مدل
• 10. شبکه‌های عصبی پیچشی (CNN): مقدمه
• 11. لایه‌های کانولوشن و استخرسازی
• 12. شبکه‌های عصبی پیچشی برای تشخیص تصویر
• 13. شبکه‌های عصبی بازگشتی (RNN): مقدمه
• 14. حافظه بلندمدت (LSTM) و کاربردها
• 15. شبکه‌های عصبی بازگشتی برای پردازش زبان طبیعی
• 16. پردازش زبان طبیعی با پایتون
• 17. کتابخانه‌های یادگیری عمیق: TensorFlow
• 18. کتابخانه‌های یادگیری عمیق: Keras
• 19. کتابخانه‌های یادگیری عمیق: PyTorch
• 20. آماده‌سازی داده‌ها برای یادگیری عمیق
• 21. نرمال‌سازی داده‌ها
• 22. افزایش داده‌ها (Data Augmentation)
• 23. مدل‌های انتقال یادگیری (Transfer Learning)
• 24. تنظیم دقیق مدل‌های پیش‌آموزش‌دیده
• 25. تشخیص اشیاء با یادگیری عمیق
• 26. طبقه‌بندی تصاویر با استفاده از شبکه‌های عصبی
• 27. تولید تصویر با استفاده از یادگیری عمیق
• 28. شبکه‌های مولد تخاصمی (GAN)
• 29. کاربرد GAN در تولید تصاویر واقع‌گرایانه
• 30. شبکه‌های خودرمزگذار (Autoencoders)
• 31. کاهش ابعاد داده با استفاده از خودرمزگذارها
• 32. یادگیری تقویتی (Reinforcement Learning): مقدمه
• 33. الگوریتم Q-Learning
• 34. الگوریتم Deep Q-Network (DQN)
• 35. بهینه‌سازی هایپرپارامترها
• 36. روش‌های جستجوی شبکه عصبی
• 37. تجزیه و تحلیل اهمیت ویژگی‌ها
• 38. نمایش بصری‌سازی شبکه‌های عصبی
• 39. استقرار مدل‌های یادگیری عمیق
• 40. بهبود کارایی مدل‌های یادگیری عمیق
• 41. مبانی ریاضی یادگیری عمیق
• 42. بردارها و ماتریس‌ها در یادگیری عمیق
• 43. مشتق‌گیری و قاعده زنجیره‌ای
• 44. بهینه‌سازی توزیع‌شده (Distributed Optimization)
• 45. یادگیری عمیق بر روی ابر (Cloud)