اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی یادگیری ماشین و هوش مصنوعی: رویکردی کاربردی در دنیای امروز

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین و هوش مصنوعی: رویکردی کاربردی در دنیای امروز

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: یادگیری ماشین و هوش مصنوعی کاربردی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر هوش مصنوعی
• 3. تعریف یادگیری ماشین
• 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 5. کاربردهای هوش مصنوعی در دنیای امروز
• 6. تاریخچه مختصر هوش مصنوعی
• 7. اخلاق در هوش مصنوعی و یادگیری ماشین
• 8. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 9. ملاحظات فرهنگی در طراحی هوش مصنوعی
• 10. مقدمه‌ای بر داده‌کاوی و تحلیل داده
• 11. انواع داده‌ها در یادگیری ماشین
• 12. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی
• 13. کاهش ابعاد و انتخاب ویژگی
• 14. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 15. رگرسیون خطی
• 16. ارزیابی مدل‌های رگرسیون
• 17. رگرسیون لجستیک
• 18. طبقه‌بندی‌کننده‌های مبتنی بر درخت تصمیم
• 19. درختان تصمیم و جنگل‌های تصادفی
• 20. ماشین‌های بردار پشتیبان (SVM)
• 21. شبکه‌های عصبی مصنوعی: مقدمه
• 22. نورون‌های مصنوعی و لایه‌ها
• 23. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 24. شبکه‌های عصبی عمیق (Deep Learning)
• 25. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 26. کاربردهای CNN در پردازش تصویر
• 27. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 28. کاربردهای RNN در پردازش زبان طبیعی
• 29. یادگیری بدون نظارت: خوشه‌بندی
• 30. الگوریتم K-Means
• 31. خوشه‌بندی سلسله مراتبی
• 32. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 33. کاهش ابعاد: تحلیل تشخیص عامل (Factor Analysis)
• 34. مقدمه‌ای بر یادگیری تقویتی
• 35. عناصر یادگیری تقویتی: عامل، محیط، پاداش
• 36. یادگیری مبتنی بر ارزش
• 37. یادگیری مبتنی بر سیاست
• 38. الگوریتم‌های Q-Learning
• 39. الگوریتم‌های Deep Q-Network (DQN)
• 40. کاربردهای یادگیری تقویتی
• 41. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 42. پردازش اولیه متن: توکنایز کردن و نرمال‌سازی
• 43. مدل‌سازی موضوعی: LSA و LDA
• 44. مدل‌های زبانی آماری
• 45. یادگیری نمایش کلمات: Word Embeddings
• 46. Word2Vec و GloVe
• 47. شبکه‌های عصبی برای NLP
• 48. ترجمه ماشینی
• 49. خلاصه‌سازی متن
• 50. تحلیل احساسات
• 51. کاربردهای NLP در دنیای امروز
• 52. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 53. پردازش تصویر: فیلترها و لبه‌یابی
• 54. استخراج ویژگی از تصاویر
• 55. شناسایی اشیاء
• 56. تشخیص چهره
• 57. تقسیم‌بندی تصویر (Image Segmentation)
• 58. شبکه‌های عصبی کانولوشنال برای بینایی ماشین
• 59. کاربردهای بینایی ماشین در اتوماسیون صنعتی
• 60. کاربردهای بینایی ماشین در پزشکی
• 61. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 62. انواع سیستم‌های توصیه‌گر: فیلترینگ محتوا و مشارکتی
• 63. فیلترینگ مشارکتی مبتنی بر کاربر
• 64. فیلترینگ مشارکتی مبتنی بر آیتم
• 65. ترکیب سیستم‌های توصیه‌گر
• 66. ارزیابی سیستم‌های توصیه‌گر
• 67. کاربردهای سیستم‌های توصیه‌گر در تجارت الکترونیک
• 68. کاربردهای سیستم‌های توصیه‌گر در سرگرمی
• 69. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 70. شبکه‌های مولد تخاصمی (GANs)
• 71. کاربردهای GANs در تولید تصویر
• 72. مدل‌های زبانی بزرگ (LLMs)
• 73. معماری ترنسفورمر (Transformer)
• 74. کاربردهای LLMs در تولید متن
• 75. خلاقیت و نوآوری با هوش مصنوعی
• 76. هوش مصنوعی در صنعت و کسب‌وکار
• 77. هوش مصنوعی در بهداشت و درمان
• 78. هوش مصنوعی در آموزش
• 79. هوش مصنوعی و تغییرات اجتماعی
• 80. آینده هوش مصنوعی و چالش‌های پیش رو
• 81. امنیت در سیستم‌های هوش مصنوعی
• 82. حریم خصوصی داده‌ها در عصر هوش مصنوعی
• 83. توسعه پایدار با هوش مصنوعی
• 84. هوش مصنوعی و حکمرانی
• 85. مسائل حقوقی در هوش مصنوعی
• 86. سیاست‌گذاری در حوزه هوش مصنوعی
• 87. همکاری انسان و هوش مصنوعی
• 88. یادگیری عمیق پیشرفته
• 89. یادگیری انتقالی (Transfer Learning)
• 90. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 91. یادگیری تقویتی عمیق پیشرفته
• 92. مقدمه‌ای بر رباتیک و هوش مصنوعی
• 93. هوش مصنوعی در خودروهای خودران
• 94. هوش مصنوعی در ربات‌های صنعتی
• 95. هوش مصنوعی و اینترنت اشیاء (IoT)
• 96. پردازش ابری برای هوش مصنوعی
• 97. ابزارهای توسعه هوش مصنوعی
• 98. فریم‌ورک‌های یادگیری ماشین (TensorFlow, PyTorch)
• 99. استقرار مدل‌های هوش مصنوعی
• 100. نظارت بر عملکرد مدل‌های هوش مصنوعی