دوره یادگیری عمیق از مبانی تا پیادهسازی با رویکرد عملی همراه با فلشکارت آموزشی — ارائه روی فلش مموری
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره یادگیری عمیق از مبانی تا پیادهسازی با رویکرد عملی
موضوع کلی: هوش مصنوعی و یادگیری ماشین
موضوع میانی: یادگیری عمیق کاربردی
📋 سرفصلهای دوره
- 1. مقدمهای بر هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
- 2. چرا یادگیری عمیق در حال حاضر؟
- 3. مروری بر مفاهیم پایه یادگیری ماشین
- 4. انواع مسائل و دادهها در یادگیری ماشین
- 5. مراحل کلی پروژه یادگیری ماشین
- 6. نصب و راهاندازی محیط توسعه (پایتون، ژوپیتر، کتابخانهها)
- 7. معرفی کتابخانههای پایه: NumPy برای محاسبات عددی
- 8. معرفی کتابخانههای پایه: Pandas برای دستکاری دادهها
- 9. معرفی کتابخانههای پایه: Matplotlib و Seaborn برای بصریسازی
- 10. آشنایی با Tensors و عملیات پایه در PyTorch/TensorFlow (مقدمه عملی)
- 11. مرور جبر خطی: بردارها و ماتریسها
- 12. عملیات ماتریسی و ضرب ماتریسها
- 13. مشتق و گرادیان: قلب بهینهسازی
- 14. قاعده زنجیری در مشتقگیری (Chain Rule)
- 15. مقدمهای بر احتمالات و آمار در یادگیری عمیق
- 16. توابع توزیع احتمال و مفهوم درستنمایی
- 17. رگرسیون خطی: اولین مدل یادگیری
- 18. رگرسیون لجستیک: طبقهبندی دوتایی
- 19. تابع هزینه (Loss Function) و هدف بهینهسازی
- 20. گرادیان کاهشی (Gradient Descent): مبانی و انواع
- 21. نورون مصنوعی و پرسپترون
- 22. محدودیتهای پرسپترون و نیاز به شبکههای عمیقتر
- 23. شبکه عصبی چند لایه (MLP) یا پرسپترون چند لایه
- 24. لایههای ورودی، پنهان و خروجی
- 25. توابع فعالسازی (Activation Functions): ReLU, Sigmoid, Tanh, Softmax
- 26. چرا توابع فعالسازی غیرخطی ضروری هستند؟
- 27. انتشار رو به جلو (Forward Propagation) در شبکههای عصبی
- 28. انتشار رو به عقب (Backpropagation) برای محاسبه گرادیانها
- 29. گامهای پیادهسازی Backpropagation
- 30. بهینهسازی شبکههای عصبی با گرادیان کاهشی
- 31. تنظیم نرخ یادگیری (Learning Rate)
- 32. معرفی Keras/TensorFlow 2.0 API برای ساخت مدل
- 33. پیادهسازی یک MLP ساده برای طبقهبندی با Keras
- 34. آموزش، ارزیابی و پیشبینی با Keras
- 35. بررسی دیتاستهای استاندارد: MNIST و Fashion MNIST
- 36. مفهوم بیشبرازش (Overfitting) و کمبرازش (Underfitting)
- 37. تقسیم دادهها: آموزش، اعتبارسنجی و آزمون
- 38. اعتبارسنجی متقابل (Cross-Validation)
- 39. تنظیمکنندههای L1 و L2 (Weight Decay)
- 40. رهاسازی (Dropout) به عنوان روش تنظیمکننده
- 41. دستهبندی دستهای (Batch Normalization)
- 42. بهینهسازهای پیشرفته: Momentum
- 43. بهینهسازهای پیشرفته: AdaGrad و RMSprop
- 44. بهینهساز پیشرفته و پرکاربرد: Adam
- 45. استراتژیهای مقداردهی اولیه وزنها
- 46. زمانبندی نرخ یادگیری (Learning Rate Schedulers)
- 47. نظارت بر روند آموزش: Loss و Metric Plots
- 48. هایپرپارامترها و روشهای تنظیم آنها
- 49. جستجوی شبکهای (Grid Search) و تصادفی (Random Search)
- 50. استفاده از Callbacks در Keras برای بهبود آموزش
- 51. معرفی شبکههای عصبی پیچشی: چرا و چگونه؟
- 52. لایه پیچشی (Convolutional Layer) و فیلترها (Kernels)
- 53. عملیات پیچش (Convolution Operation) گام به گام
- 54. لایه تجمیع (Pooling Layer): Max Pooling و Average Pooling
- 55. لایههای Flatten و Fully Connected در CNN
- 56. ساختار یک CNN ساده برای طبقهبندی تصاویر
- 57. معرفی معماری LeNet-5
- 58. معرفی معماری AlexNet و چالش ImageNet
- 59. معماری VGG و عمق شبکه
- 60. معماری ResNet: اتصالات پرش (Skip Connections)
- 61. معماری Inception/GoogLeNet
- 62. انتقال یادگیری (Transfer Learning) با CNNها
- 63. استخراج ویژگی (Feature Extraction) با مدلهای از پیش آموزشدیده
- 64. تنظیم دقیق (Fine-tuning) مدلهای از پیش آموزشدیده
- 65. دیتاسازی (Data Augmentation) برای بهبود مدلهای CNN
- 66. تشخیص شیء (Object Detection): مروری بر مفاهیم
- 67. روشهای یک مرحلهای در تشخیص شیء: YOLO (مقدمه)
- 68. روشهای دو مرحلهای در تشخیص شیء: R-CNN (مقدمه)
- 69. بخشبندی معنایی (Semantic Segmentation): مفاهیم پایه
- 70. شبکههای UNet برای بخشبندی تصاویر
- 71. بخشبندی نمونه (Instance Segmentation): Mask R-CNN (مقدمه)
- 72. Generative Adversarial Networks (GANs): مفاهیم اساسی
- 73. ساختار و نحوه کار Generator و Discriminator در GAN
- 74. کاربردهای GANs: تولید تصاویر و تبدیل سبک
- 75. محدودیتها و چالشهای آموزش GANs
- 76. شبکههای عصبی بازگشتی (RNNs): پردازش دادههای توالی
- 77. مشکل گرادیان ناپدید شونده/منفجر شونده در RNN
- 78. واحد حافظه بلند-کوتاه مدت (LSTM)
- 79. واحدهای دروازهای بازگشتی (GRU)
- 80. پیادهسازی RNN، LSTM و GRU با Keras
- 81. کاربرد RNN در تحلیل احساسات (Sentiment Analysis)
- 82. مدلهای Sequence-to-Sequence (Seq2Seq)
- 83. مکانیسم توجه (Attention Mechanism) در Seq2Seq
- 84. ترجمه ماشینی عصبی (Neural Machine Translation)
- 85. تولید متن و موسیقی با RNN/LSTM
- 86. پردازش زبان طبیعی (NLP) با یادگیری عمیق: مقدمه
- 87. پیشپردازش متن: توکنسازی، نرمالسازی
- 88. نمایش کلمات: One-Hot Encoding و Word Embeddings
- 89. Word2Vec, GloVe و FastText: بردارهای کلمه
- 90. کاربرد Word Embeddings در مدلهای NLP
- 91. معماری ترنسفورمر (Transformer): Attention Is All You Need
- 92. Self-Attention و Multi-Head Attention
- 93. رمزگذار (Encoder) و رمزگشا (Decoder) در ترنسفورمر
- 94. معرفی مدلهای BERT: فهم بافتار (Contextual Embeddings)
- 95. معرفی مدلهای GPT: تولید زبان (Generative Pre-trained Transformers)
- 96. هوش مصنوعی توضیحپذیر (XAI): چرا مدلها چنین تصمیمی گرفتند؟
- 97. آموزش خودنظارتی (Self-supervised Learning)
- 98. استقرار مدلهای یادگیری عمیق در محیط عملیاتی
- 99. بهینهسازی مدل برای دیپلوی: Quantization, Pruning
- 100. اخلاق، سوگیری و مسئولیتپذیری در هوش مصنوعی
محتویات بسته آموزشی
🌐 سامانه آنلاین فلشکارت؛ مرور هدفمند و هوشمند
اکانت ارائهشده، دسترسی به نسخه تحت وب سامانه فلشکارت ویژه این دوره را فراهم میکند. این سامانه از الگوریتم زمانبندی مرور SM-2 استفاده میکند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم میکند.
به این ترتیب، کارتهای دشوارتر میتوانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسبتری داشته باشید.
مدتزمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج میشود.
گواهی دوزبانه با استعلام آنلاین
پس از تکمیل فعالیتهای لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر میشود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.
این گواهی صرفاً بهعنوان گواهی اتمام دوره آموزشی صادر میشود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.