یادگیری عمیق

Deep Learning

مقطع: تحصیلات تکمیلی گرایش: هوش مصنوعی
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

هدف این درس آشنا نمودن دانشجویان با مفاهیم و اصول رایانش عصبی و کاربرد این رویکرد در حل انواع مسائل است. این درس علاوه بر آموزش مفاهیم اصلی رایانش عصبی، بر روی شبکه‌های عمیق و جدیدترین یافته‌ها در این زمینه تمرکز خواهد کرد.

سرفصل‌ها

  1. معرفی رایانش عصبی: تعریف و انگیزه، تاریخچه، روش‌های پیاده‌سازی، کاربردها
  2. شبکه‌های جلورو: گراف شبکه، واحدهای پردازشگر پرسپترون و آدالین، شبکه‌های چندلایه، قدرت حفظ و تعمیم
  3. شبکه‌های جلورو: قانون پس‌انتشار خطا، روش‌های مختلف آموزش شبکه، کاربرد در پیش‌بینی سری‌های زمانی
  4. یادگیری رقابتی و نقشه ویژگی خودسازمانده، نقشه‌های ویژگی خودسازمانده متکامل شونده
  5. شبکه پیچشی و توسعه‌های آن، شبکه باقیمانده‌ای، شبکه متراکم
  6. شبکه‌های خودکدگذار: شبکه‌های خودکدگذار پایه، تنظیم شده، تنک، نویزگیر، نویزگیر پشته‌ای و انقباضی
  7. مدل‌های مولد: شبکه خودکدگذار تغییراتی، شبکه مولد تقابلی، مدلهای پخشی
  8. شبکه‌های بازرخدادی: واحد بازرخدادی معمولی، حافظه کوتاه-مدت بلند، واحد بازرخدادی دروازه‌دار
  9. شبکه‌های بازرخدادی: معماری‌ها، شبکه‌های المن، جردن، بازگشتی کامل، کاربرد در پیش‌بینی سری‌های زمانی
  10. ماشین بولتزمن و توسعه‌های آن: ماشین بولتزمن، ماشین بولتزمن محدود، شبکه‌های باور عمیق
  11. مکانیزم توجه: انواع توجه، مدل ترانسفورمر، برت، جی-پی-تی
  12. یادگیری تقویتی عمیق: معرفی یادگیری تقویتی، شبکه‌های عصبی عمیق در یادگیری تقویتی، کاربردهای نمونه

ارزیابی پیشنهادی

منابع پیشنهادی

  1. I. Goodfellow, Y. Bengio, and A. Courville. Deep Learning. MIT Press, 2016.
  2. A. Zhang, Z. C. Lipton, M. Li and A. J. Smola. Dive into Deep Learning. 2021.
  3. S. Samarasinghe. Neural Networks for Applied Sciences and Engineering. Taylor & Francis, 2006.
  4. S. Haykin. Neural Networks and Learning Machines. Prentice-Hall, 2009.