دوره کاربرد شبکه‌های عصبی در تحلیل داده‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد شبکه‌های عصبی در تحلیل داده‌ها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی شبکه‌های عصبی مصنوعی
• 3. تاریخچه مختصر شبکه‌های عصبی
• 4. انواع شبکه‌های عصبی
• 5. نورون مصنوعی و تابع فعال‌سازی
• 6. ساختار لایه‌ای شبکه‌های عصبی
• 7. ورودی، خروجی و لایه‌های پنهان
• 8. فرآیند یادگیری در شبکه‌های عصبی
• 9. پس‌انتشار خطا (Backpropagation)
• 10. تابع هزینه (Loss Function)
• 11. بهینه‌سازها (Optimizers)
• 12. گرادیان کاهشی (Gradient Descent)
• 13. نرخ یادگیری (Learning Rate)
• 14. تنظیم نرخ یادگیری
• 15. بیش‌برازش (Overfitting)
• 16. کم‌برازش (Underfitting)
• 17. روش‌های تنظیم (Regularization)
• 18. کران‌گذاری (Dropout)
• 19. اعتبارسنجی متقابل (Cross-Validation)
• 20. پیش‌پردازش داده‌ها
• 21. نرمال‌سازی و استانداردسازی داده‌ها
• 22. مدیریت داده‌های گمشده
• 23. مهندسی ویژگی (Feature Engineering)
• 24. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 25. کاربرد MLP در مسائل طبقه‌بندی
• 26. کاربرد MLP در مسائل رگرسیون
• 27. شبکه‌های عصبی کانولوشنی (CNN)
• 28. لایه‌های کانولوشن و Pooling
• 29. کاربرد CNN در پردازش تصویر
• 30. تشخیص اشیاء با CNN
• 31. شبکه‌های عصبی بازگشتی (RNN)
• 32. حافظه در RNN
• 33. کاربرد RNN در پردازش زبان طبیعی
• 34. مدل‌سازی زبانی با RNN
• 35. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 36. واحد گیت در LSTM
• 37. کاربرد LSTM در تحلیل سری‌های زمانی
• 38. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 39. مقایسه LSTM و GRU
• 40. شبکه‌های عصبی ترنسفورمر (Transformer)
• 41. مکانیسم توجه (Attention Mechanism)
• 42. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 43. ترجمه ماشینی با ترنسفورمر
• 44. شبکه‌های مولد تخاصمی (GAN)
• 45. شبکه مولد و شبکه ممیز
• 46. کاربرد GAN در تولید تصویر
• 47. تولید داده‌های مصنوعی
• 48. یادگیری تقویتی (Reinforcement Learning)
• 49. عامل و محیط در یادگیری تقویتی
• 50. پاداش و جریمه
• 51. الگوریتم‌های یادگیری تقویتی
• 52. یادگیری عمیق (Deep Learning)
• 53. معماری‌های عمیق
• 54. مفاهیم اساسی یادگیری عمیق
• 55. کاربرد یادگیری عمیق در پزشکی
• 56. کاربرد یادگیری عمیق در مالی
• 57. کاربرد یادگیری عمیق در صنعت
• 58. شبکه‌های عصبی گراف (GNN)
• 59. کاربرد GNN در شبکه‌های اجتماعی
• 60. شبکه‌های عصبی خودرمزگذار (Autoencoder)
• 61. فشرده‌سازی و حذف نویز با Autoencoder
• 62. کاربرد Autoencoder در تشخیص ناهنجاری
• 63. یادگیری انتقالی (Transfer Learning)
• 64. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 65. مجموعه داده‌های بزرگ و کوچک
• 66. ملاحظات اخلاقی در هوش مصنوعی
• 67. سوگیری در الگوریتم‌های هوش مصنوعی
• 68. شفافیت و تفسیرپذیری مدل‌ها
• 69. مسئولیت‌پذیری در هوش مصنوعی
• 70. امنیت در شبکه‌های عصبی
• 71. حریم خصوصی داده‌ها
• 72. مقررات و قوانین مرتبط با هوش مصنوعی در ایران
• 73. بانک مرکزی و رمزارزها (اشاره به عدم ترویج خلاف مقررات)
• 74. رویکردهای نوین در شبکه‌های عصبی
• 75. شبکه‌های عصبی اسپایکی (SNN)
• 76. یادگیری فدرال (Federated Learning)
• 77. پردازش زبان طبیعی پیشرفته
• 78. تشخیص احساسات با مدل‌های زبانی
• 79. خلاصه‌سازی متن با مدل‌های زبانی
• 80. استخراج اطلاعات از متن
• 81. بینایی ماشین پیشرفته
• 82. تشخیص چهره با دقت بالا
• 83. تحلیل ویدئو با شبکه‌های عصبی
• 84. کاربردهای هوش مصنوعی در بهینه‌سازی
• 85. بهینه‌سازی تولید با هوش مصنوعی
• 86. مدیریت زنجیره تأمین با هوش مصنوعی
• 87. تحلیل پیش‌بینانه در کسب‌وکار
• 88. سیستم‌های توصیه‌گر
• 89. توصیه‌گرهای مبتنی بر محتوا
• 90. توصیه‌گرهای مبتنی بر همکاری
• 91. ترکیب روش‌های توصیه‌گر
• 92. هوش مصنوعی در آموزش
• 93. شخصی‌سازی فرآیند یادگیری
• 94. ارزیابی خودکار دانش‌آموزان
• 95. توسعه ابزارهای آموزشی هوشمند
• 96. هوش مصنوعی در کشاورزی
• 97. کشاورزی دقیق و بهینه‌سازی مصرف منابع
• 98. پیش‌بینی آفات و بیماری‌های گیاهی
• 99. مدیریت خودکار مزارع
• 100. هوش مصنوعی در حمل‌ونقل