اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی و کاربردهای یادگیری ماشین برای تحلیل داده‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای یادگیری ماشین برای تحلیل داده‌ها

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و یادگیری ماشین
• 2. مفاهیم اساسی علم داده
• 3. انواع داده و ساختارهای آن
• 4. پیش پردازش داده ها
• 5. پاکسازی و نرمال سازی داده ها
• 6. مهندسی ویژگی
• 7. انتخاب ویژگی
• 8. مقدمه ای بر یادگیری ماشین
• 9. یادگیری نظارت شده
• 10. یادگیری بدون نظارت
• 11. یادگیری تقویتی
• 12. الگوریتم های رگرسیون خطی
• 13. ارزیابی مدل های رگرسیون
• 14. الگوریتم های رگرسیون لجستیک
• 15. ارزیابی مدل های طبقه بندی
• 16. درخت تصمیم
• 17. جنگل تصادفی
• 18. ماشین بردار پشتیبان
• 19. خوشه بندی
• 20. الگوریتم K-Means
• 21. تحلیل مولفه اصلی (PCA)
• 22. کاهش ابعاد
• 23. مقدمه ای بر شبکه های عصبی
• 24. نورون مصنوعی
• 25. توابع فعال سازی
• 26. پس انتشار خطا
• 27. شبکه های عصبی پرسپترون چند لایه
• 28. آموزش شبکه های عصبی
• 29. تنظیم ابرپارامترها
• 30. شبکه های عصبی کانولوشنال (CNN)
• 31. کاربرد CNN در بینایی ماشین
• 32. شبکه های عصبی بازگشتی (RNN)
• 33. کاربرد RNN در پردازش زبان طبیعی
• 34. مدل های زبانی
• 35. یادگیری عمیق
• 36. معماری های یادگیری عمیق
• 37. یادگیری انتقالی
• 38. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 39. توکن سازی و نرمال سازی متن
• 40. مدل های نمایش کلمه (Word Embeddings)
• 41. Word2Vec
• 42. GloVe
• 43. مدل های ترنسفورمر
• 44. BERT
• 45. کاربرد NLP در تحلیل احساسات
• 46. خلاصه سازی متن
• 47. ترجمه ماشینی
• 48. مقدمه ای بر بینایی ماشین
• 49. تشخیص اشیاء
• 50. تقسیم بندی تصاویر
• 51. تشخیص چهره
• 52. کاربرد بینایی ماشین در صنعت
• 53. مقدمه ای بر یادگیری تقویتی
• 54. محیط و عامل در یادگیری تقویتی
• 55. پاداش و حالت
• 56. سیاست و ارزش
• 57. الگوریتم های Q-Learning
• 58. کاربرد یادگیری تقویتی در رباتیک
• 59. مقدمه ای بر علم داده های بزرگ (Big Data)
• 60. مفاهیم و چالش های داده های بزرگ
• 61. ابزارهای پردازش داده های بزرگ
• 62. Apache Hadoop
• 63. Apache Spark
• 64. مقدمه ای بر یادگیری ماشین توزیع شده
• 65. کاربرد یادگیری ماشین در حوزه سلامت
• 66. تشخیص بیماری
• 67. توسعه دارو
• 68. کاربرد یادگیری ماشین در حوزه مالی
• 69. تشخیص تقلب
• 70. مدیریت ریسک
• 71. پیش بینی بازار سهام
• 72. کاربرد یادگیری ماشین در حوزه بازاریابی
• 73. شخصی سازی محتوا
• 74. پیش بینی رفتار مشتری
• 75. کاربرد یادگیری ماشین در حوزه تولید
• 76. کنترل کیفیت
• 77. بهینه سازی فرآیندها
• 78. مقدمه ای بر اخلاق در علم داده و یادگیری ماشین
• 79. سوگیری در الگوریتم ها
• 80. حریم خصوصی داده ها
• 81. مسئولیت پذیری در هوش مصنوعی
• 82. مباحث پیشرفته در یادگیری ماشین
• 83. یادگیری چند وظیفه ای
• 84. یادگیری تقویتی عمیق
• 85. یادگیری چند نماینده ای
• 86. یادگیری ناظر با تقویتی
• 87. یادگیری فدرال
• 88. مباحث پیشرفته در پردازش زبان طبیعی
• 89. مدل های مولد
• 90. شبکه های مولد تخاصمی (GANs)
• 91. ترکیب NLP و بینایی ماشین
• 92. یادگیری ماشین برای اینترنت اشیاء (IoT)
• 93. تحلیل داده های حسگرها
• 94. پیش بینی نگهداری
• 95. امنیت در سیستم های یادگیری ماشین
• 96. مقدمه ای بر یادگیری ماشین قابل تفسیر (XAI)
• 97. تکنیک های تفسیر مدل
• 98. توضیح پیش بینی ها
• 99. کاربرد XAI در حوزه های حساس
• 100. مقدمه ای بر یادگیری ماشین در خدمت به تولید ملی