دوره مبانی شبکه‌های عصبی و کاربردهای نوین در مهندسی دانش همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی شبکه‌های عصبی و کاربردهای نوین در مهندسی دانش

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی علوم کامپیوتر برای هوش مصنوعی
• 2. مقدمه‌ای بر هوش مصنوعی و مهندسی دانش
• 3. تاریخچه و تکامل هوش مصنوعی
• 4. انواع یادگیری ماشین
• 5. یادگیری با نظارت
• 6. یادگیری بدون نظارت
• 7. یادگیری تقویتی
• 8. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 9. نورون مصنوعی و مدل پرسپترون
• 10. توابع فعال‌سازی در شبکه‌های عصبی
• 11. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 12. پس‌انتشار خطا (Backpropagation Algorithm)
• 13. شبکه‌های عصبی کانولوشنال (CNN)
• 14. معماری‌های پرکاربرد CNN
• 15. کاربردهای CNN در پردازش تصویر
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 18. شبکه‌های عصبی ترنسفورمر (Transformer Networks)
• 19. مدل‌های زبانی بزرگ (LLMs)
• 20. مبانی پردازش زبان طبیعی (NLP)
• 21. کاربردهای NLP در مهندسی دانش
• 22. مدل‌سازی موضوعی (Topic Modeling)
• 23. خوشه‌بندی اسناد (Document Clustering)
• 24. دسته‌بندی متون (Text Classification)
• 25. استخراج اطلاعات (Information Extraction)
• 26. سیستم‌های توصیه‌گر (Recommender Systems)
• 27. مبانی یادگیری عمیق
• 28. معماری‌های عمیق و لایه‌های پنهان
• 29. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 30. روش‌های منظم‌سازی (Regularization Techniques)
• 31. کاهش ابعاد (Dimensionality Reduction)
• 32. تحلیل مؤلفه‌های اصلی (PCA)
• 33. تجزیه مقادیر منفرد (SVD)
• 34. یادگیری بازنمایی (Representation Learning)
• 35. شبکه‌های زایشی تخاصمی (GANs)
• 36. کاربردهای GANs در تولید داده
• 37. شبکه‌های باور (Bayesian Networks)
• 38. استنتاج در شبکه‌های باور
• 39. سیستم‌های خبره (Expert Systems)
• 40. قوانین تولید و موتور استنتاج
• 41. سیستم‌های مبتنی بر منطق فازی
• 42. مقدمه‌ای بر منطق و استدلال
• 43. استدلال قیاسی و استقرایی
• 44. استدلال در محیط‌های نامطمئن
• 45. مدل‌های مارکوف پنهان (HMM)
• 46. کاربردهای HMM در مدل‌سازی توالی
• 47. یادگیری ماشین در داده‌های سری زمانی
• 48. پیش‌بینی سری‌های زمانی با شبکه‌های عصبی
• 49. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 50. الگوریتم‌های Q-Learning و DQN
• 51. روش‌های Actor-Critic
• 52. کاربردهای یادگیری تقویتی در رباتیک
• 53. بهینه‌سازی با شبکه‌های عصبی
• 54. الگوریتم‌های بهینه‌سازی گرادیانی
• 55. بهینه‌سازی مقیاس‌پذیر
• 56. شبکه‌های عصبی گراف (GNNs)
• 57. کاربردهای GNNs در تحلیل شبکه‌ها
• 58. یادگیری فعال (Active Learning)
• 59. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 60. یادگیری انتقالی (Transfer Learning)
• 61. یادگیری خودنظارتی (Self-supervised Learning)
• 62. شبکه‌های عصبی برای پردازش سیگنال
• 63. پردازش تصویر با شبکه‌های عصبی
• 64. شناسایی اشیاء در تصاویر
• 65. تقسیم‌بندی تصاویر (Image Segmentation)
• 66. سیستم‌های بینایی ماشین
• 67. پردازش صدا و گفتار با شبکه‌های عصبی
• 68. تشخیص صدا (Speech Recognition)
• 69. تولید گفتار (Speech Synthesis)
• 70. تحلیل احساسات در متن
• 71. تحلیل احساسات در صدا
• 72. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 73. مسئولیت‌پذیری در هوش مصنوعی
• 74. امنیت و حریم خصوصی در هوش مصنوعی
• 75. سوگیری در الگوریتم‌های هوش مصنوعی
• 76. روش‌های کاهش سوگیری
• 77. تفسیرپذیری مدل‌های هوش مصنوعی (XAI)
• 78. مدل‌های قابل تفسیر
• 79. کاربردهای هوش مصنوعی در علوم پزشکی
• 80. تشخیص بیماری با هوش مصنوعی
• 81. کشف دارو با هوش مصنوعی
• 82. کاربردهای هوش مصنوعی در مهندسی نرم‌افزار
• 83. تولید کد با هوش مصنوعی
• 84. اشکال‌زدایی خودکار
• 85. کاربردهای هوش مصنوعی در سیستم‌های مالی
• 86. مدیریت پرتفوی با هوش مصنوعی
• 87. تشخیص تقلب مالی
• 88. کاربردهای هوش مصنوعی در آموزش
• 89. سیستم‌های یادگیری تطبیقی
• 90. ارزیابی خودکار آزمون‌ها
• 91. هوش مصنوعی مولد (Generative AI)
• 92. مدل‌های زبانی مولد
• 93. مدل‌های تصویری مولد
• 94. تولید متن خلاقانه
• 95. تولید تصاویر هنری
• 96. تولید موسیقی با هوش مصنوعی
• 97. چالش‌ها و آینده هوش مصنوعی
• 98. مباحث پیشرفته در شبکه‌های عصبی
• 99. کاربردهای عملی شبکه‌های عصبی در ایران
• 100. مطالعات موردی در مهندسی دانش