اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر ماشین‌های بردار پشتیبان با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر ماشین‌های بردار پشتیبان با پایتون

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مقدمه ای بر ماشین های بردار پشتیبان (SVM)
• 5. کاربرد SVM در مسائل طبقه بندی
• 6. کاربرد SVM در مسائل رگرسیون
• 7. مبانی ریاضی SVM: جداسازی خطی
• 8. فضای ویژگی و نگاشت هسته
• 9. توابع هسته در SVM: هسته خطی
• 10. توابع هسته در SVM: هسته چند جمله ای
• 11. توابع هسته در SVM: هسته تابع پایه شعاعی (RBF)
• 12. توابع هسته در SVM: هسته سیگموئید
• 13. پیاده سازی SVM در پایتون با Scikit-learn
• 14. آماده سازی داده ها برای SVM
• 15. پیش پردازش داده ها: مقیاس بندی ویژگی ها
• 16. پیش پردازش داده ها: حذف داده های پرت
• 17. انتخاب پارامترهای SVM: پارامتر C
• 18. تنظیم هایپرپارامترها با جستجوی شبکه (Grid Search)
• 19. ارزیابی مدل SVM: معیارهای طبقه بندی
• 20. ارزیابی مدل SVM: ماتریس درهم ریختگی
• 21. ارزیابی مدل SVM: دقت، صحت و بازیابی
• 22. ارزیابی مدل SVM: امتیاز F1
• 23. ارزیابی مدل SVM: منحنی ROC و AUC
• 24. کاهش ابعاد و SVM
• 25. تحلیل مولفه های اصلی (PCA) و SVM
• 26. تحلیل تفکیک کننده خطی (LDA) و SVM
• 27. SVM برای طبقه بندی چند کلاسه
• 28. روش های One-vs-Rest (OvR)
• 29. روش های One-vs-One (OvO)
• 30. ملاحظات عملی در استفاده از SVM
• 31. مدیریت داده های نامتوازن با SVM
• 32. استفاده از SVM در تشخیص تصویر
• 33. استفاده از SVM در پردازش زبان طبیعی
• 34. استفاده از SVM در تشخیص اسپم
• 35. کاربرد SVM در پیش بینی قیمت سهام
• 36. کاربرد SVM در تشخیص بیماری
• 37. کاربرد SVM در سیستم های توصیه گر
• 38. مقایسه SVM با الگوریتم های دیگر یادگیری ماشین
• 39. مقایسه SVM با درختان تصمیم
• 40. مقایسه SVM با شبکه های عصبی
• 41. مقایسه SVM با الگوریتم K-نزدیکترین همسایه
• 42. محدودیت های SVM
• 43. مشکلات محاسباتی SVM با داده های بزرگ
• 44. راهکارهای مواجهه با داده های بزرگ در SVM
• 45. آینده SVM و پژوهش های مرتبط
• 46. مقدمه ای بر یادگیری عمیق
• 47. شبکه های عصبی پرسپترون چند لایه (MLP)
• 48. شبکه های عصبی کانولوشنال (CNN)
• 49. شبکه های عصبی بازگشتی (RNN)
• 50. کاربرد یادگیری عمیق در بینایی ماشین
• 51. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 52. کاربرد یادگیری عمیق در سیستم های توصیه گر
• 53. مقدمه ای بر یادگیری تقویتی
• 54. عناصر اصلی یادگیری تقویتی
• 55. الگوریتم های یادگیری تقویتی پایه
• 56. کاربرد یادگیری تقویتی در رباتیک
• 57. کاربرد یادگیری تقویتی در بازی ها
• 58. مقدمه ای بر پردازش زبان طبیعی
• 59. روش های پیش پردازش متن
• 60. مدل سازی موضوعی (Topic Modeling)
• 61. تحلیل احساسات (Sentiment Analysis)
• 62. ترجمه ماشینی
• 63. تولید متن
• 64. کاربرد NLP در استخراج اطلاعات
• 65. مقدمه ای بر بینایی ماشین
• 66. پردازش اولیه تصاویر
• 67. تشخیص ویژگی ها در تصاویر
• 68. تشخیص اشیاء در تصاویر
• 69. تقسیم بندی تصاویر (Image Segmentation)
• 70. تولید تصویر
• 71. کاربرد بینایی ماشین در صنعت
• 72. کاربرد بینایی ماشین در پزشکی
• 73. کاربرد بینایی ماشین در کشاورزی
• 74. اصول اخلاقی در هوش مصنوعی
• 75. سوگیری در داده ها و مدل ها
• 76. شفافیت و قابلیت توضیح در هوش مصنوعی
• 77. حریم خصوصی و امنیت در هوش مصنوعی
• 78. تاثیر هوش مصنوعی بر جامعه و اشتغال
• 79. چارچوب های قانونی و نظارتی هوش مصنوعی در ایران
• 80. رویکردهای بومی سازی هوش مصنوعی
• 81. کاربرد هوش مصنوعی در اقتصاد مقاومتی
• 82. هوش مصنوعی و تحول دیجیتال در سازمان ها
• 83. هوش مصنوعی و حکمرانی داده
• 84. هوش مصنوعی و امنیت سایبری
• 85. هوش مصنوعی و بهینه سازی فرآیندها
• 86. هوش مصنوعی و سلامت دیجیتال
• 87. هوش مصنوعی و آموزش هوشمند
• 88. هوش مصنوعی و مدیریت شهری
• 89. هوش مصنوعی و صنعت دفاعی
• 90. هوش مصنوعی و پژوهش های پیشرفته
• 91. آینده هوش مصنوعی در علوم کامپیوتر
• 92. هوش مصنوعی و علوم داده
• 93. هوش مصنوعی و اینترنت اشیاء (IoT)
• 94. هوش مصنوعی و بلاکچین
• 95. هوش مصنوعی و محاسبات کوانتومی
• 96. مبانی یادگیری ماشین با پایتون
• 97. ساخت مدل های پیش بینی با پایتون
• 98. تحلیل داده های بزرگ با پایتون
• 99. تصویرسازی داده ها با پایتون
• 100. کتابخانه های کلیدی یادگیری ماشین در پایتون