اپلیکیشن اندرویدی فلش‌کارت آموزشی راهنمای کاربردی الگوریتم‌های یادگیری ماشین برای علم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای کاربردی الگوریتم‌های یادگیری ماشین برای علم داده

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: الگوریتم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علم داده و هوش مصنوعی
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مجموعه داده‌ها و پیش‌پردازش آن‌ها
• 5. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 6. استانداردسازی و نرمال‌سازی داده‌ها
• 7. مهندسی ویژگی و انتخاب ویژگی
• 8. ارزیابی مدل‌ها: معیارهای دقت و خطا
• 9. اعتبارسنجی متقابل (Cross-validation)
• 10. رگرسیون خطی ساده
• 11. رگرسیون خطی چندگانه
• 12. مدل‌های رگرسیون منظم شده (Regularized Regression)
• 13. رگرسیون لجستیک برای طبقه‌بندی
• 14. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 15. آموزش شبکه‌های عصبی: پس‌انتشار خطا (Backpropagation)
• 16. تنظیم ابرپارامترها در شبکه‌های عصبی
• 17. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 18. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 19. حافظه طولانی کوتاه مدت (LSTM)
• 20. واحد بازگشتی دروازه‌ای (GRU)
• 21. ماشین‌های بردار پشتیبان (SVM)
• 22. هسته‌های SVM (Kernel Trick)
• 23. درختان تصمیم (Decision Trees)
• 24. جنگل‌های تصادفی (Random Forests)
• 25. تقویت گرادیان (Gradient Boosting)
• 26. مدل XGBoost
• 27. مدل LightGBM
• 28. خوشه‌بندی K-Means
• 29. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 30. تحلیل مولفه‌های اصلی (PCA)
• 31. تحلیل تمایز خطی (LDA)
• 32. قوانین وابستگی (Association Rules) و سبد خرید (Market Basket Analysis)
• 33. شبکه‌های بیزی (Bayesian Networks)
• 34. مدل‌های مارکوف پنهان (HMM)
• 35. تکنیک‌های کاهش ابعاد
• 36. تکنیک‌های افزایش داده (Data Augmentation)
• 37. یادگیری عمیق (Deep Learning)
• 38. مقدمه‌ای بر یادگیری عمیق
• 39. شبکه‌های مولد تخاصمی (GANs)
• 40. رمزگذارها و رمزگشاها (Autoencoders)
• 41. پردازش زبان طبیعی (NLP)
• 42. مدل‌های زبانی آماری
• 43. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 44. تعبیه‌های کلمه (Word Embeddings): Word2Vec
• 45. تعبیه‌های کلمه: GloVe
• 46. تعبیه‌های کلمه: FastText
• 47. مدل‌های ترنسفورمر (Transformers)
• 48. مکانیسم توجه (Attention Mechanism)
• 49. مدل BERT
• 50. مدل GPT
• 51. یادگیری تقویتی (Reinforcement Learning)
• 52. عناصر یادگیری تقویتی: عامل، محیط، پاداش
• 53. فرایند تصمیم‌گیری مارکوف (MDP)
• 54. یادگیری ارزش (Value Learning)
• 55. یادگیری سیاست (Policy Learning)
• 56. الگوریتم Q-Learning
• 57. الگوریتم SARSA
• 58. الگوریتم Deep Q-Network (DQN)
• 59. الگوریتم Actor-Critic
• 60. کاربردها در رباتیک و بازی‌ها
• 61. یادگیری ماشین در حوزه سلامت
• 62. کاربرد در پیش‌بینی بیماری‌ها
• 63. کاربرد در تشخیص پزشکی
• 64. یادگیری ماشین در حوزه مالی
• 65. پیش‌بینی قیمت سهام
• 66. تشخیص تقلب
• 67. یادگیری ماشین در حوزه بازاریابی
• 68. شخصی‌سازی پیشنهادات
• 69. تحلیل رفتار مشتری
• 70. یادگیری ماشین در حوزه پردازش تصویر
• 71. تشخیص اشیاء
• 72. تقسیم‌بندی تصویر
• 73. یادگیری ماشین در حوزه پردازش صدا
• 74. تشخیص گفتار
• 75. تولید صدا
• 76. اخلاق در هوش مصنوعی
• 77. سوگیری در الگوریتم‌ها
• 78. شفافیت و تفسیرپذیری مدل‌ها
• 79. امنیت در سیستم‌های یادگیری ماشین
• 80. حملات مخالف (Adversarial Attacks)
• 81. روش‌های دفاع در برابر حملات مخالف
• 82. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 83. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 84. کاربرد یادگیری انتقالی در حوزه‌های مختلف
• 85. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 86. حفظ حریم خصوصی در یادگیری فدرال
• 87. کاربردهای یادگیری فدرال
• 88. مقدمه‌ای بر یادگیری خودنظارتی (Self-Supervised Learning)
• 89. روش‌های یادگیری خودنظارتی
• 90. کاربرد یادگیری خودنظارتی
• 91. مقدمه‌ای بر یادگیری تقویتی عمیق
• 92. تکنیک‌های پیشرفته در یادگیری تقویتی عمیق
• 93. کاربردهای عملی یادگیری تقویتی عمیق
• 94. مقدمه‌ای بر مدل‌های گراف عصبی (Graph Neural Networks)
• 95. کاربرد GNN در شبکه‌های اجتماعی
• 96. کاربرد GNN در شیمی و زیست‌شناسی
• 97. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)
• 98. ادغام اطلاعات از منابع مختلف
• 99. کاربرد یادگیری چندوجهی
• 100. مباحث پیشرفته در مدل‌سازی پیش‌بینانه