• مروری بر مفاهیم شبکه عصبی عمیق 
  • مروری بر انواع توابع آتش
  • مروری بر نحوه محاسبه گرادیان و انواع توابع خطا
  • مروری بر روال کلی backpropagation​
  • مروری بر روال های دسته بندی و رگرسیون  
  • مروری بر روال آموزش شبکه های عصبی در تنسورفلو و کراس
• ​انواع Optimizationها در محاسبه گرادیان شبکه عصبی
  • - آپدیت وزن شبکه از طریق Random search​
  • محاسبه گرادیان از طریق AdaGrad
  •  محاسبه گرادیان از طریق RMSProp
  • محاسبه گرادیان از طریق Adam
• مقدمات آموزش شبکه های عصبی عمیق
  • Data preprocessing​
  • مروری بر PCA و روش های کاهش بعد
  • Weight Initialization
  • Batch Normalization
  • Hyperparameter Optimization
  • بررسی روال تغییرات learning rate
  • Regularization
  • L1 / L2 regularization
  • Dropout
  • Data Augmentation
• معرفی شبکه های عمیق Convolutional Neural Network
  • بیان ساختار کلی شبکه های عصبی کانولوشنالی
  • معرفی لایه های مختلف شبکه های CNN
  • آشنایی با مفاهیم dim و Stride و padding
  • معرفی معماری های مختلف شبکه های CNN
• معرفی شبکه های عمیق بازگشتیRecurrent Neural Network
  • مقدماتی بر شبکه های بازگشتی
  • معرفی شبکه بازگشتی LSTM
  • معرفی شبکه بازگشتی GRU
  • معرفی شبکه های بازگشتی دو طرفه
• معرفی شبکه های عمیقVariation Auto Encoders
  • مقدماتی بر یادگیری باناظر و بدون ناظر
  • معرفی شبکه های Generative
  • معرفی شبکه های Auto Encoder
  • معرفی Variational Auto Encoder
  • مقدماتی بر شبکه های عصبی Gan
• Generative Adversarial Networks
  • معرفی ساختارهای CyclicGan و Pix2Pix در شبکه های عصبی عمیق

برنامه نویسی با زبان پایتون (در حد آشنایی با شرط، حلقه و تابع نویسی)، آشنایی با شبکه های عصبی مصنوعی، Machine Learning

افرادی که حوزه کاری یا تحقیقاتی آنان یادگیری ماشین و عمیق باشد

امکان تحلیل و ساخت برنامه کاربردی در حوزه یادگیری عمیق