کتاب صوتی تسلط بر یادگیری عمیق: از مبانی تا کاربردهای عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر یادگیری عمیق: از مبانی تا کاربردهای عملی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: شبکه‌های عصبی عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. شبکه‌های عصبی مصنوعی: تاریخچه و اصول
• 3. پرceptron: مدل پایه یادگیری
• 4. توابع فعال‌سازی: انواع و کاربردها
• 5. یادگیری با نظارت: رگرسیون خطی
• 6. یادگیری با نظارت: طبقه‌بندی باینری
• 7. یادگیری با نظارت: رگرسیون لجستیک
• 8. تابع هزینه و بهینه‌سازی گرادیان کاهشی
• 9. پس‌انتشار خطا: الگوریتم و کاربردها
• 10. شبکه‌های عصبی چندلایه (MLP)
• 11. انتخاب ویژگی و مهندسی ویژگی
• 12. بیش‌برازش و کم‌برازش: تشخیص و راه‌حل‌ها
• 13. تنظیم‌سازی (Regularization): L1 و L2
• 14. Dropout: روشی برای جلوگیری از بیش‌برازش
• 15. بهینه‌سازها: گرادیان کاهشی تصادفی (SGD)
• 16. بهینه‌سازها: Adam و RMSprop
• 17. شبکه‌های عصبی کانولوشنی (CNN): مقدمه
• 18. کانولوشن: عملیات اصلی در CNN
• 19. Pooling: کاهش ابعاد و افزایش کارایی
• 20. معماری‌های معروف CNN: LeNet-5
• 21. معماری‌های معروف CNN: AlexNet
• 22. معماری‌های معروف CNN: VGGNet
• 23. معماری‌های معروف CNN: ResNet
• 24. شبکه‌های عصبی بازگشتی (RNN): مقدمه
• 25. RNN برای پردازش زبان طبیعی (NLP)
• 26. مشکل گرادیان محوشده در RNN
• 27. شبکه‌های حافظه بلندمدت (LSTM)
• 28. شبکه‌های گیت‌دار بازگشتی (GRU)
• 29. Autoencoders: یادگیری ویژگی‌های پنهان
• 30. Autoencoders متغیر (VAE)
• 31. شبکه‌های مولد تخاصمی (GAN): مقدمه
• 32. GANها برای تولید تصاویر
• 33. GANها برای تولید داده‌های مصنوعی
• 34. انتقال یادگیری (Transfer Learning)
• 35. Fine-tuning: تنظیم دقیق مدل‌های پیش‌آموزش‌دیده
• 36. یادگیری تقویتی (Reinforcement Learning): مقدمه
• 37. Q-Learning: الگوریتم یادگیری تقویتی
• 38. Deep Q-Network (DQN)
• 39. کاربردهای یادگیری عمیق در بینایی ماشین
• 40. کاربردهای یادگیری عمیق در پردازش زبان طبیعی
• 41. کاربردهای یادگیری عمیق در تشخیص صدا
• 42. کاربردهای یادگیری عمیق در پیش‌بینی سری‌های زمانی
• 43. ابزارهای محبوب یادگیری عمیق: TensorFlow
• 44. ابزارهای محبوب یادگیری عمیق: Keras
• 45. ابزارهای محبوب یادگیری عمیق: PyTorch
• 46. مدل‌سازی و ارزیابی مدل‌های یادگیری عمیق
• 47. تفسیرپذیری مدل‌های یادگیری عمیق
• 48. تکنیک‌های کاهش ابعاد: PCA و t-SNE
• 49. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 50. یادگیری خودنظارتی (Self-Supervised Learning)
• 51. یادگیری فعال (Active Learning)
• 52. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 53. یادگیری فدرال (Federated Learning)
• 54. یادگیری عمیق بر روی دستگاه‌های لبه (Edge Computing)
• 55. بهبود کارایی مدل‌های یادگیری عمیق: Quantization
• 56. بهبود کارایی مدل‌های یادگیری عمیق: Pruning
• 57. آینده یادگیری عمیق و چالش‌های پیش رو
• 58. مباحث پیشرفته در شبکه‌های عصبی گراف
• 59. مدل‌های ترانسفورمر و مکانیسم توجه
• 60. یادگیری عمیق و اخلاق: سوگیری و انصاف
• 61. استفاده از یادگیری عمیق در تشخیص تقلب
• 62. شبکه‌های عصبی اسپایکینگ (SNN)
• 63. یادگیری عمیق و پردازش سیگنال
• 64. شبکه‌های عصبی دینامیکی (DNN)