اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع تحلیل بصری برای هوش مصنوعی قابل توضیح و قابل اعتماد (از داده تا مدل)

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب جامع تحلیل بصری برای هوش مصنوعی قابل توضیح و قابل اعتماد (از داده تا مدل)

موضوع کلی: هوش مصنوعی و تحلیل داده

موضوع میانی: تحلیل بصری برای هوش مصنوعی قابل اعتماد

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. چرایی نیاز به هوش مصنوعی قابل توضیح (XAI)
• 3. مفهوم اعتماد در سیستم‌های هوش مصنوعی (Trustworthy AI)
• 4. معرفی تحلیل بصری (Visual Analytics) و اهمیت آن
• 5. تقاطع تحلیل بصری، هوش مصنوعی قابل توضیح و قابل اعتماد
• 6. تاریخچه و تکامل هوش مصنوعی و تحلیل داده
• 7. انواع داده‌ها در یادگیری ماشین
• 8. مفاهیم آماری برای تحلیل داده
• 9. اصول جمع‌آوری و پاکسازی داده‌ها
• 10. مهندسی ویژگی (Feature Engineering) و تأثیر آن بر توضیح‌پذیری
• 11. کشف و تجسم نقاط پرت (Outliers)
• 12. مقدمه‌ای بر روش‌های کاهش ابعاد (Dimensionality Reduction)
• 13. تجسم داده‌های با ابعاد بالا با PCA و t-SNE
• 14. اصول طراحی بصری مؤثر
• 15. ادراک انسانی و روانشناسی بصری در تحلیل داده
• 16. انواع نمودارهای پایه برای اکتشاف داده
• 17. تجسم توزیع یک متغیر (هیستوگرام، نمودار جعبه‌ای)
• 18. تجسم روابط دو متغیر (نمودار پراکندگی، نمودار خطی)
• 19. تجسم داده‌های دسته‌بندی شده (نمودار میله‌ای، نمودار دایره‌ای)
• 20. تجسم ارتباطات چند متغیره (نمودار موازی، ماتریس پراکندگی)
• 21. تحلیل اکتشافی داده‌ها (EDA) با ابزارهای بصری
• 22. معرفی مدل‌های یادگیری ماشین خطی
• 23. معرفی مدل‌های مبتنی بر درخت (درخت تصمیم، جنگل تصادفی)
• 24. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 25. مفهوم قابلیت تفسیر (Interpretability) و توضیح‌پذیری (Explainability)
• 26. تفاوت توضیحات سراسری (Global) و محلی (Local)
• 27. معیارهای ارزیابی مدل‌های یادگیری ماشین
• 28. اهمیت ویژگی (Feature Importance) به روش Permutation
• 29. اهمیت ویژگی مبتنی بر ناخالصی (Impurity-based)
• 30. نمودارهای وابستگی جزئی (Partial Dependence Plots - PDP)
• 31. نمودارهای تأثیر فردی مشروط (Individual Conditional Expectation - ICE)
• 32. تجسم PDP و ICE برای درک رفتار مدل
• 33. LIME: توضیحات محلی مدل‌اگنوستیک قابل تفسیر
• 34. پیاده‌سازی و تجسم توضیحات LIME
• 35. SHAP: توضیحات افزودنی شاپلی (مقدمه‌ای بر تئوری بازی)
• 36. محاسبه مقادیر SHAP برای انواع مدل‌ها
• 37. نمودارهای خلاصه SHAP (SHAP Summary Plots)
• 38. نمودارهای وابستگی SHAP (SHAP Dependence Plots)
• 39. نمودارهای اجباری SHAP (SHAP Force Plots) برای توضیحات محلی
• 40. تجسم مقادیر SHAP برای درک تعاملات ویژگی‌ها
• 41. Anchor: توضیحات مبتنی بر قوانین برای پیش‌بینی‌های محلی
• 42. Counterfactual Explanations: یافتن حداقل تغییرات برای تغییر پیش‌بینی
• 43. تجسم توضیحات Counterfactual
• 44. Rule-based Explanations: استخراج قوانین از مدل‌ها
• 45. Surrogate Models: ساخت مدل‌های ساده‌تر برای توضیح مدل‌های پیچیده
• 46. تجسم درختان تصمیم و مجموعه قوانین
• 47. روش‌های توضیح‌پذیری برای بینایی کامپیوتر (Saliency Maps, Grad-CAM)
• 48. تجسم نقشه‌های Salience و Activation در شبکه‌های عصبی
• 49. توضیح مکانیسم‌های توجه (Attention Mechanisms) در NLP
• 50. طراحی داشبوردهای تحلیل بصری برای XAI
• 51. ابزارهای تعاملی برای کاوش توضیحات مدل
• 52. مقایسه توضیحات از مدل‌های مختلف بصورت بصری
• 53. تجسم عدم قطعیت مدل (Model Uncertainty)
• 54. تحلیل بصری خطاهای مدل و پیش‌بینی‌های نادرست
• 55. رابط‌های کاربری برای ابزارهای XAI
• 56. ارزیابی بصری کیفیت توضیحات XAI
• 57. تحلیل بصری داده‌های فرعی برای توضیحات محلی
• 58. تجمیع و تفکیک (Aggregation and Drill-down) در تجسمات XAI
• 59. مفهوم انصاف (Fairness) در هوش مصنوعی
• 60. معیارهای سنجش انصاف الگوریتمی (Statistical Parity, Equalized Odds)
• 61. تجسم تعصب (Bias) در داده‌های آموزشی
• 62. تجسم تعصب در پیش‌بینی‌های مدل
• 63. استراتژی‌های کاهش تعصب از طریق تحلیل بصری
• 64. تحلیل بصری سوگیری و نابرابری در خروجی‌های مدل
• 65. معرفی مقاومت (Robustness) در برابر حملات
• 66. شناسایی و تجسم مثال‌های متخاصم (Adversarial Examples)
• 67. تجسم تشخیص ناهنجاری (Anomaly Detection)
• 68. تحلیل بصری تشخیص داده‌های خارج از توزیع (Out-of-Distribution Detection)
• 69. مفهوم علت و معلول (Causality) در هوش مصنوعی
• 70. تجسم نمودارهای علّی (Causal Graphs)
• 71. تحلیل بصری اثرات علّی (Causal Effects)
• 72. تجسم استنتاج‌های Counterfactual برای علیّت
• 73. شفافیت (Transparency) و مسیرهای حسابرسی (Audit Trails) با VA
• 74. چارچوب‌های پاسخگویی (Accountability) و تجسم آن‌ها
• 75. چالش‌های حریم خصوصی (Privacy) در XAI و VA
• 76. هوش مصنوعی حفظ حریم خصوصی (Privacy-Preserving AI) و تجسم آن
• 77. ملاحظات اخلاقی در طراحی سیستم‌های XAI و VA
• 78. تعامل انسان و هوش مصنوعی برای افزایش اعتماد
• 79. مطالعه موردی: تحلیل بصری برای XAI در سلامت
• 80. مطالعه موردی: تحلیل بصری برای XAI در امور مالی
• 81. مطالعه موردی: تحلیل بصری برای XAI در سیستم‌های خودران
• 82. مطالعه موردی: تحلیل بصری برای XAI در سیستم‌های توصیه‌گر
• 83. تحلیل بصری XAI برای داده‌های سری زمانی
• 84. تحلیل بصری XAI برای پردازش زبان طبیعی (NLP)
• 85. تحلیل بصری XAI برای بینایی کامپیوتر (Computer Vision)
• 86. چالش‌های مقیاس‌پذیری تحلیل بصری برای مدل‌های بزرگ
• 87. ابزارهای متن‌باز محبوب برای XAI و VA (مثلاً SHAP, LIME در پایتون)
• 88. پلتفرم‌های تحلیل بصری برای توسعه XAI
• 89. نقش تعامل‌پذیری در کارایی تحلیل بصری XAI
• 90. ارزیابی تجربی و مطالعات کاربر برای XAI و VA
• 91. شخصی‌سازی توضیحات برای کاربران مختلف
• 92. آینده تحلیل بصری برای XAI و TAI
• 93. روندهای نوین در هوش مصنوعی قابل توضیح
• 94. چالش‌های تحقیقاتی در تحلیل بصری برای اعتمادپذیری
• 95. چارچوب‌های نظارتی و استانداردهای اخلاقی برای XAI
• 96. طراحی سیستم‌های XAI با در نظر گرفتن جنبه‌های انسانی
• 97. اهمیت آموزش و سواد XAI برای کاربران نهایی
• 98. بحث در مورد پتانسیل و محدودیت‌های کنونی XAI
• 99. رویکردهای نوین برای سنجش اعتماد کاربر به AI
• 100. جمع‌بندی: ساخت هوش مصنوعی قابل توضیح و قابل اعتماد از طریق تحلیل بصری