اپلیکیشن اندرویدی فلش‌کارت آموزشی مهارت‌های یادگیری نظارت‌شده در هوش مصنوعی برای مهندسان: مبانی و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهارت‌های یادگیری نظارت‌شده در هوش مصنوعی برای مهندسان: مبانی و کاربردها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری نظارت‌شده برای مهندسان

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر یادگیری نظارت‌شده
• 3. انواع مسائل یادگیری نظارت‌شده
• 4. داده‌ها و پیش‌پردازش آن‌ها
• 5. پاک‌سازی داده‌ها و مدیریت مقادیر گمشده
• 6. مهندسی ویژگی و انتخاب آن
• 7. روش‌های کاهش ابعاد
• 8. معرفی الگوریتم‌های رگرسیون
• 9. رگرسیون خطی ساده
• 10. رگرسیون خطی چندگانه
• 11. رگرسیون چندجمله‌ای
• 12. ارزیابی مدل‌های رگرسیون
• 13. معیارهای خطای رگرسیون
• 14. معرفی الگوریتم‌های طبقه‌بندی
• 15. طبقه‌بندی‌کننده بیز ساده
• 16. رگرسیون لجستیک
• 17. ماشین‌های بردار پشتیبان (SVM)
• 18. هسته‌های SVM
• 19. درختان تصمیم
• 20. جنگل‌های تصادفی
• 21. ارزیابی مدل‌های طبقه‌بندی
• 22. ماتریس درهم‌ریختگی (Confusion Matrix)
• 23. دقت، صحت و بازیابی
• 24. امتیاز F1
• 25. منحنی ROC و AUC
• 26. یادگیری چندبرچسبی
• 27. یادگیری نیمه‌نظارت‌شده
• 28. یادگیری تقویتی (مقدماتی)
• 29. کاربرد یادگیری نظارت‌شده در پردازش زبان طبیعی
• 30. تحلیل احساسات
• 31. طبقه‌بندی متن
• 32. کاربرد یادگیری نظارت‌شده در بینایی ماشین
• 33. تشخیص اشیاء
• 34. طبقه‌بندی تصاویر
• 35. مدل‌های هیبریدی و ترکیبی
• 36. تنظیم فراپارامترها (Hyperparameter Tuning)
• 37. جستجوی شبکه‌ای (Grid Search)
• 38. جستجوی تصادفی (Random Search)
• 39. اعتبارسنجی متقابل (Cross-Validation)
• 40. مدل‌های پیچیده و بیش‌برازش (Overfitting)
• 41. تنظیم‌گری (Regularization)
• 42. L1 و L2 Regularization
• 43. شبکه‌های عصبی مصنوعی (مقدماتی)
• 44. لایه‌های شبکه‌های عصبی
• 45. توابع فعال‌سازی
• 46. پس‌انتشار خطا (Backpropagation)
• 47. آموزش شبکه‌های عصبی عمیق
• 48. کاربرد شبکه‌های عصبی در یادگیری نظارت‌شده
• 49. شبکه‌های عصبی کانولوشنال (CNN)
• 50. شبکه‌های عصبی بازگشتی (RNN)
• 51. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 52. شبکه‌های ترنسفورمر (مقدماتی)
• 53. یادگیری فعال (Active Learning)
• 54. یادگیری انتقالی (Transfer Learning)
• 55. آموزش با داده‌های نامتوازن
• 56. روش‌های نمونه‌برداری (Oversampling/Undersampling)
• 57. تولید داده‌های مصنوعی (SMOTE)
• 58. تکنیک‌های مبتنی بر هزینه
• 59. اخلاق در یادگیری ماشین
• 60. سوگیری در داده‌ها و مدل‌ها
• 61. شفافیت و قابلیت تفسیر مدل‌ها
• 62. حریم خصوصی و امنیت داده‌ها
• 63. ملاحظات حقوقی و مقرراتی در ایران
• 64. استفاده از ابزارها و کتابخانه‌های رایج
• 65. Scikit-learn
• 66. Pandas و NumPy
• 67. Matplotlib و Seaborn
• 68. TensorFlow و Keras (مقدماتی)
• 69. PyTorch (مقدماتی)
• 70. پیاده‌سازی پروژه‌های عملی
• 71. پروژه رگرسیون: پیش‌بینی قیمت مسکن
• 72. پروژه طبقه‌بندی: تشخیص اسپم
• 73. پروژه پردازش تصویر: تشخیص چهره
• 74. پروژه پردازش متن: دسته‌بندی اخبار
• 75. ملاحظات پیاده‌سازی در مقیاس بزرگ
• 76. استقرار مدل‌های یادگیری ماشین
• 77. مانیتورینگ و به‌روزرسانی مدل‌ها
• 78. کاربرد در صنایع مختلف ایران
• 79. کشاورزی و خودکفایی
• 80. بهداشت و درمان نوین
• 81. تولید و صنعت هوشمند
• 82. حمل و نقل و لجستیک
• 83. سیستم‌های توصیه‌گر (مقدماتی)
• 84. آینده یادگیری نظارت‌شده
• 85. چالش‌های پیش رو
• 86. روندهای نوین و تحقیقات جاری
• 87. یادگیری ماشینی قابل اعتماد
• 88. یادگیری ماشینی تفسیرپذیر
• 89. یادگیری ماشینی پایدار
• 90. مبانی آماری برای یادگیری ماشین
• 91. قضیه بیز و احتمالات
• 92. توزیع‌های آماری رایج
• 93. آزمون فرض آماری
• 94. مبانی جبر خطی برای یادگیری ماشین
• 95. بردارهای و مقادیر ویژه
• 96. تجزیه مقادیر منفرد (SVD)
• 97. فضاهای برداری
• 98. بهینه‌سازی در یادگیری ماشین
• 99. گرادیان کاهشی
• 100. بهینه‌سازهای پیشرفته