. مبانی یادگیری عمیق:
• تاریخچه و تعریف یادگیری عمیق:
o معرفی مفاهیم پایه و اهمیت یادگیری عمیق در هوش مصنوعی و یادگیری ماشین.
o بررسی تاریخچه و پیشرفت‌های کلیدی در زمینه یادگیری عمیق.
• اصول شبکه‌های عصبی مصنوعی:
o ساختار شبکه‌های عصبی (نورون‌ها، لایه‌ها، وزن‌ها، بایاس‌ها).
o فرآیند آموزش شبکه‌های عصبی (پس‌انتشار خطا، گرادیان نزولی).
2. شبکه‌های عصبی کانولوشنی (CNN):
• مفاهیم پایه:
o اصول کارکرد شبکه‌های عصبی کانولوشنی.
o لایه‌های کانولوشن، Pooling و Fully Connected.
• معماری‌های معروف:
o بررسی معماری‌های AlexNet، VGG، ResNet و استفاده از آن‌ها در مسائل مختلف.
• کاربردهای CNN:
o تشخیص تصویر، تشخیص شیء، تقسیم‌بندی تصویر.
o پروژه‌های عملی در تشخیص تصویر و طبقه‌بندی تصاویر.
3. شبکه‌های بازگشتی (RNN):
• مفاهیم پایه:
o معرفی شبکه‌های بازگشتی ساده و مشکلات معمول آن‌ها (مانند مشکل از دست دادن گرادیان).
o معرفی LSTM و GRU به عنوان راه‌حل‌های پیشرفته‌تر.
• کاربردهای RNN:
o پردازش زبان طبیعی (NLP)، ترجمه ماشینی، پیش‌بینی سری‌های زمانی.
o پروژه‌های عملی در تحلیل متن و پیش‌بینی داده‌های زمانی.
4. پیاده‌سازی با TensorFlow و Keras:
• معرفی TensorFlow و Keras:
o مزایا و تفاوت‌های دو فریمورک.
o شروع کار با نصب و راه‌اندازی.
• پیاده‌سازی شبکه‌های عصبی پایه:
o ساخت و آموزش مدل‌های ساده با Keras.
o پیاده‌سازی مدل‌های پیچیده‌تر با استفاده از TensorFlow.
• آموزش و ارزیابی مدل‌ها:
o استفاده از داده‌های واقعی برای آموزش مدل.
o تکنیک‌های ارزیابی و بهبود عملکرد مدل‌ها.
5. پروژه‌های عملی:
• تشخیص دست‌نوشته‌های ارقام با استفاده از CNN:
o پیاده‌سازی مدل CNN برای تشخیص ارقام دست‌نویس (MNIST Dataset).
• تحلیل احساسات متن با استفاده از RNN:
o پیاده‌سازی مدل RNN برای تحلیل احساسات در متون (Sentiment Analysis).
• پیش‌بینی قیمت سهام با استفاده از شبکه‌های بازگشتی:
o پیاده‌سازی مدل‌های LSTM برای پیش‌بینی قیمت سهام بر اساس داده‌های تاریخی