آموزش دوره جامع یادگیری عمیق و شبکه‌های عصبی با پایتون - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر هوش مصنوعی و یادگیری عمیق Introduction to AI & Deep Learning

• مقدمه Introduction

• هوش مصنوعی چیست؟ What Is Artificial Intelligence?

• تفاوت یادگیری ماشین و یادگیری عمیق Machine Learning vs Deep Learning

• شبکه‌های عصبی چگونه کار می‌کنند؟ How Neural Networks Work

• راه اندازی محیط برنامه نویسی Setting Up the Environment

• نصب TensorFlow و PyTorch Installing TensorFlow & PyTorch

مبانی پایتون برای هوش مصنوعی Python Fundamentals for AI

• مروری بر مبانی پایتون Python Basics Refresher

• اصول کتابخانه NumPy NumPy Fundamentals

• کتابخانه Pandas برای هوش مصنوعی Pandas for AI

• مبانی بصری‌سازی داده‌ها Data Visualization Basics

• کار با مجموعه‌داده‌ها Working with Datasets

• گردش‌کار در Jupyter Notebook Jupyter Notebook Workflow

• کتابخانه‌های علمی پایتون Scientific Python Libraries

اصول شبکه‌های عصبی Neural Networks Fundamentals

• شبکه عصبی چیست؟ What Is a Neural Network?

• نورون‌ها و لایه‌ها Neurons and Layers

• توابع فعال‌ساز Activation Functions

• انتشار پیشرو (Forward Propagation) Forward Propagation

• توابع زیان (Loss Functions) Loss Functions

• توضیح انتشار پس‌رو (Backpropagation) Backpropagation Explained

• گرادیان کاهشی (Gradient Descent) Gradient Descent

یادگیری عمیق با TensorFlow و Keras Deep Learning with TensorFlow & Keras

• مقدمه‌ای بر TensorFlow Introduction to TensorFlow

• اصول Keras Keras Fundamentals

• ساخت اولین شبکه عصبی شما Building Your First Neural Network

• آموزش مدل‌های یادگیری عمیق Training Deep Learning Models

• ارزیابی مدل Model Evaluation

• ذخیره و بارگذاری مدل‌ها Saving & Loading Models

• بهبود دقت مدل Improving Model Accuracy

• تکنیک‌های منظم‌سازی (Regularization) Regularization Techniques

یادگیری عمیق با PyTorch Deep Learning with PyTorch

• مقدمه‌ای بر PyTorch Introduction to PyTorch

• تنسورها و عملیات‌ها Tensors and Operations

• ساخت شبکه‌های عصبی در PyTorch Building Neural Networks in PyTorch

• حلقه‌های آموزش Training Loops

• بهینه‌سازها و توابع زیان Optimizers and Loss Functions

• مبانی آموزش با GPU GPU Training Basics

• بهترین روش‌های کار با PyTorch PyTorch Best Practices

بینایی ماشین با شبکه‌های CNN Computer Vision with CNNs

• مقدمه‌ای بر بینایی ماشین Introduction to Computer Vision

• شبکه‌های CNN چیستند؟ What Are CNNs?

• توضیح لایه‌های کانولوشن Convolution Layers Explained

• لایه‌های پولینگ (Pooling) Pooling Layers

• پروژه طبقه‌بندی تصاویر Image Classification Project

• افزایش داده‌ها (Data Augmentation) Data Augmentation

• یادگیری انتقالی (Transfer Learning) Transfer Learning

• پروژه تشخیص تصویر در دنیای واقعی Real-World Image Recognition Project

پردازش زبان طبیعی با یادگیری عمیق Natural Language Processing with Deep Learning

• مقدمه‌ای بر پردازش زبان طبیعی (NLP) Introduction to NLP

• پیش‌پردازش متن Text Preprocessing

• توکن‌سازی (Tokenization) Tokenization

• جایگذاری کلمات (Word Embeddings) Word Embeddings

• پروژه تحلیل احساسات Sentiment Analysis Project

• مدل‌های توالی Sequence Models

• NLP با یادگیری عمیق NLP with Deep Learning

شبکه‌های عصبی بازگشتی و مدل‌های توالی Recurrent Neural Networks & Sequence Models

• شبکه‌های RNN چیستند؟ What Are RNNs?

• داده‌های متوالی (Sequential Data) Sequential Data

• مشکل محوشدگی گرادیان Vanishing Gradient Problem

• شبکه‌های LSTM LSTM Networks

• پیش‌بینی سری‌های زمانی Time Series Prediction

• پروژه پیش‌بینی توالی Sequence Prediction Project

بهینه‌سازی مدل و ارزیابی عملکرد Model Optimization & Performance

• بیش‌برازش در مقابل کم‌برازش Overfitting vs Underfitting

• تنظیم هایپرپارامترها Hyperparameter Tuning

• منظم‌سازی با Dropout Dropout Regularization

• نرمال‌سازی دسته‌ای (Batch Normalization) Batch Normalization

• توقف زودهنگام (Early Stopping) Early Stopping

• بهبود بهره‌وری آموزش Improving Training Efficiency

پروژه‌های یادگیری عمیق در دنیای واقعی Real-World Deep Learning Projects

• برنامه کاربردی طبقه‌بندی تصاویر Image Classification Application

• تحلیل‌گر متن مبتنی بر هوش مصنوعی AI-Powered Text Analyzer

• تشخیص ارقام دست‌نویس Handwritten Digit Recognition

• سیستم پیش‌بینی یادگیری عمیق Deep Learning Prediction System

• پروژه یادگیری انتقالی Transfer Learning Project

• دموی هوش مصنوعی در زمان واقعی Real-Time AI Demo

استقرار مدل و مبانی مهندسی هوش مصنوعی Model Deployment & AI Engineering Basics

• ذخیره مدل‌های آماده تولید Saving Production Models

• خروجی گرفتن از مدل‌های AI Exporting AI Models

• مقدمه‌ای بر APIهای هوش مصنوعی Intro to AI APIs

• مبانی استقرار مدل‌ها Deploying Models Basics

• بهترین روش‌های گردش‌کار AI AI Workflow Best Practices

توصیه‌های شغلی و گام‌های بعدی Career Advice & Next Steps

• چگونه مهندس هوش مصنوعی شویم؟ Becoming an AI Engineer

• مسیرهای شغلی یادگیری عمیق Deep Learning Career Paths

• ساخت پورتفولیوی هوش مصنوعی Building an AI Portfolio

• تحقیقات و مباحث پیشرفته Research & Advanced Topics

• جمع‌بندی نهایی دوره Final Course Wrap-Up