اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی و کاربردهای هوش مصنوعی: از اصول تا پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای هوش مصنوعی: از اصول تا پیاده‌سازی

موضوع کلی: علوم و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم و فناوری اطلاعات
• 2. تعریف هوش مصنوعی و تاریخچه
• 3. حوزه‌های کاربردی هوش مصنوعی
• 4. یادگیری ماشین: تعاریف و مفاهیم
• 5. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 6. مفاهیم پایه‌ای یادگیری نظارت‌شده
• 7. رگرسیون خطی
• 8. رگرسیون لجستیک
• 9. ماشین‌های بردار پشتیبان (SVM)
• 10. درختان تصمیم
• 11. جنگل‌های تصادفی
• 12. تقویت درختان تصمیم (Boosting)
• 13. یادگیری عمیق: مقدمه
• 14. شبکه‌های عصبی مصنوعی
• 15. ساختار شبکه‌های عصبی
• 16. توابع فعال‌سازی
• 17. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 18. شبکه‌های عصبی کانولوشنی (CNN)
• 19. کاربرد CNN در بینایی ماشین
• 20. شبکه‌های عصبی بازگشتی (RNN)
• 21. کاربرد RNN در پردازش زبان طبیعی
• 22. شبکه‌های حافظه بلند کوتاه‌مدت (LSTM)
• 23. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 24. یادگیری بدون نظارت: خوشه‌بندی
• 25. الگوریتم K-Means
• 26. خوشه‌بندی سلسله‌مراتبی
• 27. تحلیل مؤلفه‌های اصلی (PCA)
• 28. یادگیری تقویتی: مفاهیم پایه
• 29. عامل، محیط، حالت، عمل، پاداش
• 30. یادگیری Q
• 31. یادگیری SARSA
• 32. شبکه‌های عصبی عمیق تقویتی (DQN)
• 33. پردازش زبان طبیعی (NLP)
• 34. تحلیل احساسات
• 35. مدل‌سازی موضوعی
• 36. ترجمه ماشینی
• 37. سیستم‌های توصیه‌گر
• 38. مفاهیم پایه‌ای سیستم‌های توصیه‌گر
• 39. فیلترینگ مشارکتی
• 40. فیلترینگ مبتنی بر محتوا
• 41. سیستم‌های توصیه‌گر ترکیبی
• 42. بینایی ماشین
• 43. تشخیص اشیاء
• 44. تقطیر تصویر
• 45. شناسایی چهره
• 46. کاربردهای هوش مصنوعی در صنعت
• 47. هوش مصنوعی در سلامت
• 48. هوش مصنوعی در حمل و نقل
• 49. هوش مصنوعی در امور مالی
• 50. هوش مصنوعی در کشاورزی
• 51. هوش مصنوعی در آموزش
• 52. اخلاق در هوش مصنوعی
• 53. سوگیری در الگوریتم‌های هوش مصنوعی
• 54. شفافیت و قابلیت توضیح‌پذیری
• 55. مسئولیت‌پذیری در هوش مصنوعی
• 56. امنیت و حریم خصوصی در هوش مصنوعی
• 57. مباحث پیشرفته در یادگیری ماشین
• 58. یادگیری انتقالی
• 59. یادگیری چندوظیفه‌ای
• 60. یادگیری فدرال
• 61. شبکه‌های مولد تخاصمی (GAN)
• 62. کاربرد GAN در تولید محتوا
• 63. شبکه‌های عصبی گراف (GNN)
• 64. کاربرد GNN در تحلیل شبکه‌های اجتماعی
• 65. پردازش گفتار
• 66. تشخیص گفتار
• 67. تولید گفتار
• 68. مباحث پیشرفته در پردازش زبان طبیعی
• 69. مدل‌های زبانی بزرگ (LLMs)
• 70. کاربرد LLMs در تولید متن
• 71. استخراج اطلاعات
• 72. خلاصه‌سازی خودکار متن
• 73. ربات‌های گفتگو (Chatbots)
• 74. مبانی پیاده‌سازی مدل‌های هوش مصنوعی
• 75. جمع‌آوری و پیش‌پردازش داده‌ها
• 76. انتخاب ویژگی
• 77. مهندسی ویژگی
• 78. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 79. انتخاب مدل مناسب
• 80. تنظیم ابرپارامترها
• 81. ارزیابی مدل
• 82. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 83. معیارهای ارزیابی مدل‌های رگرسیون
• 84. مقدمه‌ای بر چارچوب‌های یادگیری ماشین
• 85. TensorFlow
• 86. PyTorch
• 87. Keras
• 88. Scikit-learn
• 89. پیاده‌سازی یک پروژه کاربردی هوش مصنوعی
• 90. تعریف مسئله و جمع‌آوری داده
• 91. پیش‌پردازش و آماده‌سازی داده‌ها
• 92. انتخاب و آموزش مدل
• 93. ارزیابی و بهبود مدل
• 94. استقرار مدل
• 95. ملاحظات عملی در استقرار مدل‌های هوش مصنوعی
• 96. مقیاس‌پذیری
• 97. کارایی
• 98. نگهداری
• 99. آینده هوش مصنوعی و روندهای نوظهور
• 100. هوش مصنوعی عمومی (AGI)