اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع یادگیری عمیق: هوش مصنوعی، یادگیری ماشین و شبکه‌های عصبی به زبان فارسی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری عمیق: هوش مصنوعی، یادگیری ماشین و شبکه‌های عصبی به زبان فارسی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی یادگیری ماشین و شبکه‌های عصبی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. تاریخچه هوش مصنوعی
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مفاهیم پایه ای یادگیری ماشین
• 8. مجموعه داده ها و پیش پردازش
• 9. پاکسازی داده ها
• 10. مقیاس بندی ویژگی ها
• 11. انتخاب ویژگی
• 12. مهندسی ویژگی
• 13. مدل های یادگیری ماشین
• 14. رگرسیون خطی
• 15. رگرسیون لجستیک
• 16. ماشین های بردار پشتیبان (SVM)
• 17. درختان تصمیم
• 18. جنگل های تصادفی
• 19. گره های نزدیکترین همسایه (KNN)
• 20. خوشه بندی K-Means
• 21. تحلیل مؤلفه های اصلی (PCA)
• 22. ارزیابی مدل ها
• 23. معیارهای ارزیابی رگرسیون
• 24. معیارهای ارزیابی طبقه بندی
• 25. اعتبارسنجی متقابل
• 26. تنظیم ابرپارامترها
• 27. مقدمه ای بر شبکه های عصبی
• 28. نورون مصنوعی
• 29. توابع فعال سازی
• 30. پس انتشار خطا
• 31. معماری های شبکه عصبی
• 32. شبکه های عصبی پیشخور
• 33. شبکه های عصبی کانولوشنی (CNN)
• 34. شبکه های عصبی بازگشتی (RNN)
• 35. شبکه های حافظه کوتاه مدت طولانی (LSTM)
• 36. شبکه های حافظه کوتاه مدت (GRU)
• 37. مبانی یادگیری عمیق
• 38. یادگیری عمیق در بینایی ماشین
• 39. یادگیری عمیق در پردازش زبان طبیعی
• 40. کاربردهای یادگیری عمیق
• 41. یادگیری عمیق در تشخیص تصویر
• 42. یادگیری عمیق در تشخیص اشیاء
• 43. یادگیری عمیق در تولید متن
• 44. یادگیری عمیق در ترجمه ماشینی
• 45. یادگیری عمیق در تشخیص گفتار
• 46. یادگیری عمیق در تولید گفتار
• 47. یادگیری عمیق در سیستم های توصیه گر
• 48. یادگیری عمیق در بازی ها
• 49. یادگیری عمیق در رباتیک
• 50. یادگیری عمیق در هوش مصنوعی مولد
• 51. مقدمه ای بر مدل های زبانی بزرگ
• 52. معماری ترانسفورمر
• 53. یادگیری با انتقال
• 54. تنظیم دقیق مدل ها
• 55. تنظیم دقیق مدل های زبانی
• 56. تنظیم دقیق مدل های بینایی ماشین
• 57. مبانی یادگیری تقویتی عمیق
• 58. عوامل و محیط ها
• 59. پاداش و تابع ارزش
• 60. سیاست ها و تابع سیاست
• 61. الگوریتم های یادگیری تقویتی
• 62. Q-Learning
• 63. Deep Q-Networks (DQN)
• 64. Policy Gradients
• 65. Actor-Critic Methods
• 66. یادگیری تقویتی در رباتیک
• 67. یادگیری تقویتی در بازی ها
• 68. یادگیری تقویتی در سیستم های توصیه گر
• 69. یادگیری تقویتی در اتوماسیون صنعتی
• 70. اخلاق در هوش مصنوعی
• 71. سوگیری در الگوریتم ها
• 72. شفافیت و قابلیت تفسیر
• 73. حریم خصوصی داده ها
• 74. امنیت هوش مصنوعی
• 75. مسئولیت پذیری در هوش مصنوعی
• 76. آینده هوش مصنوعی
• 77. هوش مصنوعی عمومی
• 78. هوش مصنوعی و جامعه
• 79. هوش مصنوعی و اشتغال
• 80. هوش مصنوعی و آموزش
• 81. هوش مصنوعی و سلامت
• 82. هوش مصنوعی و حکمرانی
• 83. مقدمه ای بر داده کاوی
• 84. الگوریتم های خوشه بندی
• 85. الگوریتم های طبقه بندی
• 86. قوانین وابستگی
• 87. پیش پردازش داده ها در داده کاوی
• 88. ارزیابی مدل ها در داده کاوی
• 89. کاربرد داده کاوی در کسب و کار
• 90. کاربرد داده کاوی در علم
• 91. کاربرد داده کاوی در پزشکی
• 92. مبانی پردازش زبان طبیعی (NLP)
• 93. توکن سازی
• 94. ریشه یابی
• 95. برچسب گذاری اجزای کلام
• 96. تجزیه نحوی
• 97. تحلیل معنایی
• 98. مدل های زبانی در NLP
• 99. شبکه های عصبی در NLP
• 100. کاربرد NLP در تحلیل احساسات