اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی هوش مصنوعی، یادگیری ماشین و برنامه‌نویسی پایتون برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی هوش مصنوعی، یادگیری ماشین و برنامه‌نویسی پایتون برای تحلیل داده

موضوع کلی: علوم و فناوری کامپیوتر

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علوم کامپیوتر و هوش مصنوعی
• 2. تاریخچه هوش مصنوعی
• 3. اصول یادگیری ماشین
• 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 5. مبانی برنامه‌نویسی پایتون برای علم داده
• 6. ساختار داده‌ها در پایتون
• 7. الگوریتم‌های پایه در پایتون
• 8. مقدمه‌ای بر کتابخانه‌های علم داده پایتون
• 9. NumPy برای محاسبات عددی
• 10. Pandas برای دستکاری داده‌ها
• 11. Matplotlib و Seaborn برای بصری‌سازی داده‌ها
• 12. پیش‌پردازش داده‌ها: پاکسازی و تبدیل
• 13. مهندسی ویژگی
• 14. مدل‌های یادگیری ماشین نظارت شده
• 15. رگرسیون خطی
• 16. رگرسیون لجستیک
• 17. ماشین‌های بردار پشتیبان (SVM)
• 18. درختان تصمیم
• 19. جنگل‌های تصادفی
• 20. تقویت گرادیان
• 21. مدل‌های یادگیری ماشین بدون نظارت
• 22. خوشه‌بندی K-Means
• 23. خوشه‌بندی سلسله مراتبی
• 24. تحلیل مولفه‌های اصلی (PCA)
• 25. یادگیری عمیق: مقدمه
• 26. شبکه‌های عصبی مصنوعی
• 27. شبکه‌های عصبی کانولوشنی (CNN)
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. یادگیری تقویتی: مفاهیم پایه
• 30. یادگیری تقویتی بدون مدل
• 31. یادگیری تقویتی مبتنی بر مدل
• 32. کاربرد هوش مصنوعی در تحلیل داده
• 33. تحلیل احساسات با یادگیری ماشین
• 34. تشخیص ناهنجاری
• 35. سیستم‌های توصیه‌گر
• 36. پردازش زبان طبیعی (NLP)
• 37. مدل‌های زبانی آماری
• 38. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 39. استخراج اطلاعات از متن
• 40. ترجمه ماشینی
• 41. تولید متن
• 42. کاربرد یادگیری ماشین در سلامت
• 43. تشخیص بیماری با تصاویر پزشکی
• 44. پیش‌بینی شیوع بیماری
• 45. کاربرد یادگیری ماشین در اقتصاد
• 46. پیش‌بینی بازارهای مالی
• 47. تشخیص تقلب
• 48. کاربرد یادگیری ماشین در صنعت
• 49. بهینه‌سازی فرآیندهای تولید
• 50. نگهداری پیش‌بینانه
• 51. مباحث اخلاقی در هوش مصنوعی
• 52. سوگیری در الگوریتم‌ها
• 53. حریم خصوصی و داده‌ها
• 54. مسئولیت‌پذیری در هوش مصنوعی
• 55. امنیت در سیستم‌های هوش مصنوعی
• 56. مقدمه‌ای بر یادگیری عمیق پیشرفته
• 57. شبکه‌های مولد تخاصمی (GANs)
• 58. شبکه‌های خودرمزگذار (Autoencoders)
• 59. یادگیری انتقالی
• 60. تنظیم مدل‌ها و ابرپارامترها
• 61. اعتبارسنجی متقابل
• 62. تنظیم بیش‌برازش و کم‌برازش
• 63. یادگیری عمیق برای پردازش تصویر
• 64. تشخیص اشیاء
• 65. تقسیم‌بندی تصاویر
• 66. تولید تصویر
• 67. یادگیری عمیق برای پردازش صوت
• 68. تشخیص گفتار
• 69. تولید صدا
• 70. تحلیل سری‌های زمانی با یادگیری ماشین
• 71. پیش‌بینی روندها
• 72. شناسایی الگوها
• 73. کاربرد هوش مصنوعی در کشاورزی
• 74. کشاورزی دقیق
• 75. پیش‌بینی محصولات
• 76. کاربرد هوش مصنوعی در حمل و نقل
• 77. خودروهای خودران
• 78. بهینه‌سازی ترافیک
• 79. کاربرد هوش مصنوعی در آموزش
• 80. سیستم‌های یادگیری تطبیقی
• 81. ارزیابی خودکار
• 82. مباحث پیشرفته در یادگیری ماشین
• 83. یادگیری چند وظیفه‌ای
• 84. یادگیری federated
• 85. یادگیری انسان‌محور
• 86. هوش مصنوعی قابل توضیح (XAI)
• 87. مقدمه‌ای بر ابزارهای هوش مصنوعی تجاری
• 88. پلتفرم‌های ابری هوش مصنوعی
• 89. خدمات هوش مصنوعی آماده
• 90. ساخت مدل‌های سفارشی
• 91. پیاده‌سازی مدل‌های هوش مصنوعی در عمل
• 92. استقرار مدل‌ها
• 93. نظارت بر مدل‌ها
• 94. به‌روزرسانی مدل‌ها
• 95. مطالعات موردی در هوش مصنوعی و علم داده
• 96. پروژه‌های عملی هوش مصنوعی
• 97. آینده هوش مصنوعی
• 98. هوش مصنوعی عمومی (AGI)
• 99. چالش‌های آینده هوش مصنوعی
• 100. توسعه پایدار با هوش مصنوعی