اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع یادگیری ماشین برای نوآموزان: از مبانی تا کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین برای نوآموزان: از مبانی تا کاربردها

موضوع کلی: علوم و فناوری داده

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی علوم داده و آمادگی برای یادگیری ماشین
• 2. مقدمه‌ای بر یادگیری ماشین و انواع آن
• 3. مروری بر مفاهیم آماری پایه برای یادگیری ماشین
• 4. جبر خطی برای یادگیری ماشین
• 5. حساب دیفرانسیل و انتگرال برای یادگیری ماشین
• 6. انواع داده‌ها و پیش‌پردازش آن‌ها
• 7. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 8. استانداردسازی و نرمال‌سازی ویژگی‌ها
• 9. انتخاب و مهندسی ویژگی
• 10. مفاهیم اولیه مدل‌های یادگیری ماشین
• 11. یادگیری با نظارت و بدون نظارت
• 12. یادگیری تقویتی: مقدمه
• 13. مدل‌های رگرسیون خطی
• 14. ارزیابی مدل‌های رگرسیون
• 15. مدل‌های رگرسیون چندجمله‌ای
• 16. رگولاریزاسیون در رگرسیون
• 17. مدل‌های طبقه‌بندی: رگرسیون لجستیک
• 18. ارزیابی مدل‌های طبقه‌بندی
• 19. متریک‌های ارزیابی برای طبقه‌بندی (دقت، صحت، بازیابی)
• 20. منحنی ROC و AUC
• 21. درختان تصمیم
• 22. قوانین انجمنی (Apriori)
• 23. دسته‌بندی‌کننده‌های بیز ساده
• 24. ماشین‌های بردار پشتیبان (SVM)
• 25. هسته‌ها در SVM
• 26. خوشه‌بندی: K-Means
• 27. خوشه‌بندی سلسله مراتبی
• 28. ارزیابی مدل‌های خوشه‌بندی
• 29. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 30. تحلیل تشخیص خطی (LDA)
• 31. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 32. نورون‌های مصنوعی و توابع فعال‌سازی
• 33. معماری شبکه‌های عصبی پرسپترون چندلایه
• 34. پس‌انتشار خطا (Backpropagation)
• 35. بهینه‌سازی در شبکه‌های عصبی
• 36. یادگیری عمیق: مقدمه
• 37. شبکه‌های عصبی کانولوشنی (CNN)
• 38. کاربرد CNN در پردازش تصویر
• 39. شبکه‌های عصبی بازگشتی (RNN)
• 40. کاربرد RNN در پردازش زبان طبیعی
• 41. حافظه طولانی کوتاه‌مدت (LSTM)
• 42. واحد بازگشتی دروازه‌ای (GRU)
• 43. مدل‌های زبانی و پردازش متن
• 44. تکنیک‌های پیشرفته پردازش متن
• 45. یادگیری انتقالی (Transfer Learning)
• 46. کاربرد یادگیری انتقالی در بینایی ماشین
• 47. یادگیری تقویتی: الگوریتم‌های پایه
• 48. یادگیری تقویتی عمیق
• 49. ملاحظات اخلاقی در هوش مصنوعی
• 50. بی‌طرفی و عدالت در الگوریتم‌ها
• 51. توضیح‌پذیری مدل‌های هوش مصنوعی
• 52. کاربردها و چالش‌های هوش مصنوعی در ایران
• 53. امنیت داده‌ها و حریم خصوصی در هوش مصنوعی
• 54. هوش مصنوعی و اقتصاد دیجیتال
• 55. هوش مصنوعی در صنعت (تولید و بهینه‌سازی)
• 56. هوش مصنوعی در سلامت (تشخیص و درمان)
• 57. هوش مصنوعی در کشاورزی و محیط زیست
• 58. هوش مصنوعی در آموزش و پژوهش
• 59. سیستم‌های توصیه‌گر
• 60. یادگیری کاربری (User Modeling)
• 61. مدل‌سازی دانش و استدلال
• 62. پردازش زبان طبیعی پیشرفته
• 63. تحلیل احساسات و نظرات
• 64. مدل‌سازی موضوعی (Topic Modeling)
• 65. شبکه‌های عصبی گراف (GNN)
• 66. یادگیری خودنظارتی (Self-Supervised Learning)
• 67. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 68. یادگیری فدرال (Federated Learning)
• 69. هوش مصنوعی مولد (Generative AI)
• 70. مدل‌های زبانی بزرگ (LLMs)
• 71. تولید متن و کد با LLMs
• 72. کاربردهای LLMs در تولید محتوا
• 73. معماری‌های پیشرفته شبکه‌های عصبی
• 74. بهینه‌سازهای پیشرفته
• 75. تکنیک‌های تنظیم فراپارامترها (Hyperparameter Tuning)
• 76. اعتبارسنجی متقابل (Cross-Validation)
• 77. مدل‌های ensembles (Bagging, Boosting)
• 78. ماشین‌های بردار پشتیبان با هسته‌های سفارشی
• 79. خوشه‌بندی DBSCAN
• 80. تحلیل مولفه‌های مستقل (ICA)
• 81. مقدمه‌ای بر یادگیری عمیق در یادگیری ماشین
• 82. یادگیری عمیق برای داده‌های جدولی
• 83. کاربرد یادگیری عمیق در داده‌های سری زمانی
• 84. مدل‌سازی توالی با شبکه‌های عصبی
• 85. پردازش زبان طبیعی با مدل‌های ترنسفورمر
• 86. ترجمه ماشینی با مدل‌های ترنسفورمر
• 87. مدل‌های زبانی مولد پیشرفته
• 88. تولید تصویر و ویدئو با هوش مصنوعی
• 89. امنیت در مدل‌های هوش مصنوعی
• 90. پیش‌گیری از حملات به مدل‌ها
• 91. تکنیک‌های مقاوم‌سازی مدل‌ها
• 92. مدیریت چرخه عمر مدل‌های یادگیری ماشین
• 93. استقرار مدل‌ها در محیط عملیاتی
• 94. نظارت و نگهداری مدل‌های مستقر شده
• 95. مقدمه‌ای بر چارچوب‌های یادگیری ماشین (TensorFlow, PyTorch)
• 96. پیاده‌سازی مدل‌ها با استفاده از چارچوب‌ها
• 97. شبیه‌سازی و تحلیل نتایج
• 98. پروژه‌های عملی یادگیری ماشین
• 99. جمع‌بندی و مسیرهای آینده در یادگیری ماشین