اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع علوم داده و هوش مصنوعی: از مبانی تا کاربردهای عملی (خودآموز)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع علوم داده و هوش مصنوعی: از مبانی تا کاربردهای عملی (خودآموز)

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مبانی و کاربردهای عملی علوم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و هوش مصنوعی
• 2. تاریخچه مختصر علوم داده
• 3. اهمیت علوم داده در دنیای امروز
• 4. مفاهیم کلیدی علوم داده
• 5. انواع داده‌ها و منابع آن‌ها
• 6. جمع‌آوری داده‌ها: روش‌ها و چالش‌ها
• 7. پاکسازی داده‌ها: شناسایی و مدیریت داده‌های پرت
• 8. پیش‌پردازش داده‌ها: تبدیل و نرمال‌سازی
• 9. کاوش داده‌ها و تحلیل اکتشافی (EDA)
• 10. بصری‌سازی داده‌ها: ابزارها و تکنیک‌ها
• 11. مقدمه‌ای بر یادگیری ماشین
• 12. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 13. الگوریتم‌های یادگیری نظارت شده: رگرسیون خطی
• 14. الگوریتم‌های یادگیری نظارت شده: رگرسیون لجستیک
• 15. الگوریتم‌های یادگیری نظارت شده: ماشین‌های بردار پشتیبان (SVM)
• 16. الگوریتم‌های یادگیری نظارت شده: درختان تصمیم
• 17. الگوریتم‌های یادگیری نظارت شده: جنگل‌های تصادفی
• 18. الگوریتم‌های یادگیری نظارت شده: تقویت گرادیان
• 19. ارزیابی مدل‌های یادگیری نظارت شده: معیارها
• 20. تنظیم ابرپارامترها و اعتبارسنجی متقابل
• 21. الگوریتم‌های یادگیری بدون نظارت: خوشه‌بندی K-Means
• 22. الگوریتم‌های یادگیری بدون نظارت: خوشه‌بندی سلسله مراتبی
• 23. الگوریتم‌های یادگیری بدون نظارت: کاهش ابعاد (PCA)
• 24. مقدمه‌ای بر یادگیری عمیق
• 25. شبکه‌های عصبی مصنوعی (ANN)
• 26. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 27. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 28. کاربردهای CNN در بینایی ماشین
• 29. کاربردهای RNN در پردازش زبان طبیعی
• 30. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 31. توکن‌سازی و پیش‌پردازش متن
• 32. مدل‌سازی موضوعی (Topic Modeling)
• 33. تحلیل احساسات (Sentiment Analysis)
• 34. کاربردهای NLP در ربات‌های گفتگو
• 35. مقدمه‌ای بر یادگیری تقویتی
• 36. عناصر یادگیری تقویتی: عامل، محیط، پاداش
• 37. یادگیری Q-Learning
• 38. کاربردهای یادگیری تقویتی
• 39. مبانی آمار و احتمال در علوم داده
• 40. توزیع‌های احتمالی و کاربرد آن‌ها
• 41. آزمون فرض آماری
• 42. رگرسیون و همبستگی
• 43. مقدمه‌ای بر مهندسی ویژگی
• 44. انتخاب ویژگی و مهندسی ویژگی
• 45. مقدمه‌ای بر استخراج قوانین وابستگی
• 46. الگوریتم Apriori
• 47. کاربردهای استخراج قوانین وابستگی
• 48. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 49. فیلترینگ مبتنی بر محتوا
• 50. فیلترینگ مشارکتی
• 51. سیستم‌های توصیه‌گر ترکیبی
• 52. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 53. معماری‌های داده‌های بزرگ: Hadoop
• 54. معماری‌های داده‌های بزرگ: Spark
• 55. ذخیره‌سازی و پردازش داده‌های بزرگ
• 56. امنیت داده‌ها و حریم خصوصی
• 57. اخلاق در علوم داده و هوش مصنوعی
• 58. حاکمیت داده‌ها و مدیریت اطلاعات
• 59. کاربرد علوم داده در حوزه سلامت
• 60. کاربرد علوم داده در حوزه مالی
• 61. کاربرد علوم داده در حوزه بازاریابی
• 62. کاربرد علوم داده در حوزه تولید
• 63. کاربرد علوم داده در حوزه حمل و نقل
• 64. کاربرد علوم داده در حوزه انرژی
• 65. کاربرد علوم داده در حوزه کشاورزی
• 66. کاربرد علوم داده در حوزه آموزش
• 67. کاربرد علوم داده در حوزه خدمات شهری
• 68. مقدمه‌ای بر مفاهیم پیشرفته هوش مصنوعی
• 69. شبکه‌های عصبی گراف (GNN)
• 70. یادگیری انتقالی (Transfer Learning)
• 71. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 72. یادگیری فعال (Active Learning)
• 73. یادگیری فدرال (Federated Learning)
• 74. هوش مصنوعی مولد (Generative AI)
• 75. مدل‌های زبانی بزرگ (LLMs)
• 76. کاربردهای LLMs در تولید محتوا
• 77. کاربردهای LLMs در خلاصه‌سازی متن
• 78. کاربرد LLMs در ترجمه ماشینی
• 79. مقدمه‌ای بر رباتیک و هوش مصنوعی
• 80. بینایی ماشین در رباتیک
• 81. برنامه‌ریزی حرکت ربات‌ها
• 82. تعامل انسان و ربات
• 83. مقدمه‌ای بر اینترنت اشیاء (IoT) و علوم داده
• 84. جمع‌آوری و تحلیل داده‌های IoT
• 85. امنیت در IoT
• 86. کاربرد IoT در شهر هوشمند
• 87. مقدمه‌ای بر بلاکچین و علوم داده
• 88. تحلیل داده‌های بلاکچین
• 89. کاربرد بلاکچین در مدیریت داده‌ها
• 90. مقدمه‌ای بر محاسبات کوانتومی و هوش مصنوعی
• 91. تأثیر محاسبات کوانتومی بر هوش مصنوعی
• 92. چالش‌ها و فرصت‌های آینده
• 93. توسعه یک پروژه علوم داده: از ایده تا اجرا
• 94. تعریف مسئله و جمع‌آوری نیازمندی‌ها
• 95. انتخاب ابزارها و تکنیک‌های مناسب
• 96. پیاده‌سازی و آموزش مدل
• 97. ارزیابی و بهبود مدل
• 98. استقرار و پایش مدل
• 99. مسیر شغلی در علوم داده و هوش مصنوعی
• 100. مهارت‌های نرم و سخت مورد نیاز