دوره مبانی انتخاب مدل و بهینه‌سازی پارامتر برای سنجش عملکرد AI همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی انتخاب مدل و بهینه‌سازی پارامتر برای سنجش عملکرد AI

موضوع کلی: ارزیابی سیستم‌های هوش مصنوعی

موضوع میانی: Model Selection and Tuning for Evaluation

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه بر سنجش عملکرد AI
• 2. فصل ۲: چرا انتخاب مدل حیاتی است؟
• 3. فصل ۳: انواع معیارهای سنجش عملکرد
• 4. فصل ۴: دقت (Accuracy) و محدودیت‌های آن
• 5. فصل ۵: دقت (Precision) و بازیابی (Recall)
• 6. فصل ۶: معیارهای مبتنی بر ماتریس درهم‌ریختگی
• 7. فصل ۷: امتیاز F1 و کاربردهای آن
• 8. فصل ۸: ROC Curve و AUC
• 9. فصل ۹: معیارهای نامتقارن و کاربرد در داده‌های نامتوازن
• 10. فصل ۱۰: سنجش عملکرد در وظایف رگرسیون
• 11. فصل ۱۱: MSE, RMSE و MAE
• 12. فصل ۱۲: R-squared و تفسیر آن
• 13. فصل ۱۳: معیارهای سنجش عملکرد در وظایف خوشه‌بندی
• 14. فصل ۱۴: Silhouette Score و Davies-Bouldin Index
• 15. فصل ۱۵: انتخاب مدل مناسب بر اساس مسئله
• 16. فصل ۱۶: Overfitting و Underfitting
• 17. فصل ۱۷: روش‌های جلوگیری از Overfitting
• 18. فصل ۱۸: Regularization (L1 و L2)
• 19. فصل ۱۹: Cross-Validation: K-Fold
• 20. فصل ۲۰: Stratified K-Fold Cross-Validation
• 21. فصل ۲۱: Time Series Cross-Validation
• 22. فصل ۲۲: Bootstrapping و کاربردهای آن
• 23. فصل ۲۳: معیارهای انتخاب مدل نهایی
• 24. فصل ۲۴: Bias-Variance Tradeoff
• 25. فصل ۲۵: درک پارامترهای مدل
• 26. فصل ۲۶: پارامترهای مدل‌های خطی
• 27. فصل ۲۷: پارامترهای مدل‌های درخت تصمیم
• 28. فصل ۲۸: پارامترهای مدل‌های Support Vector Machine
• 29. فصل ۲۹: پارامترهای مدل‌های شبکه‌های عصبی
• 30. فصل ۳۰: مفهوم بهینه‌سازی پارامتر
• 31. فصل ۳۱: Search Space برای بهینه‌سازی
• 32. فصل ۳۲: Grid Search: مزایا و معایب
• 33. فصل ۳۳: Random Search: مزایا و معایب
• 34. فصل ۳۴: انتخاب بهینه‌سازهای پیشرفته
• 35. فصل ۳۵: Gradient Descent و انواع آن
• 36. فصل ۳۶: Adam Optimizer
• 37. فصل ۳۷: RMSprop Optimizer
• 38. فصل ۳۸: SGD with Momentum
• 39. فصل ۳۹: Learning Rate Scheduling
• 40. فصل ۴۰: Early Stopping به عنوان یک تکنیک بهینه‌سازی
• 41. فصل ۴۱: بهینه‌سازی هایپرپارامتر با استفاده از کتابخانه‌ها
• 42. فصل ۴۲: Scikit-learn: GridSearchCV
• 43. فصل ۴۳: Scikit-learn: RandomizedSearchCV
• 44. فصل ۴۴: Keras Tuner
• 45. فصل ۴۵: Optuna
• 46. فصل ۴۶: Hyperopt
• 47. فصل ۴۷: Bayesian Optimization: مفاهیم پایه
• 48. فصل ۴۸: Gaussian Processes در Bayesian Optimization
• 49. فصل ۴۹: Acquisition Functions
• 50. فصل ۵۰: بهینه‌سازی هایپرپارامتر برای مدل‌های عمیق
• 51. فصل ۵۱: Layer Sizes و Number of Layers
• 52. فصل ۵۲: Activation Functions
• 53. فصل ۵۳: Batch Size و Epochs
• 54. فصل ۵۴: Dropout Rate
• 55. فصل ۵۵: بهینه‌سازی برای وظایف پردازش زبان طبیعی (NLP)
• 56. فصل ۵۶: Embeddings و پارامترهای مرتبط
• 57. فصل ۵۷: مدل‌های Recurrent Neural Networks (RNNs)
• 58. فصل ۵۸: مدل‌های Long Short-Term Memory (LSTM)
• 59. فصل ۵۹: مدل‌های Gated Recurrent Unit (GRU)
• 60. فصل ۶۰: مدل‌های Transformer
• 61. فصل ۶۱: بهینه‌سازی برای وظایف بینایی ماشین (Computer Vision)
• 62. فصل ۶۲: مدل‌های Convolutional Neural Networks (CNNs)
• 63. فصل ۶۳: Kernel Sizes و Strides
• 64. فصل ۶۴: Pooling Layers
• 65. فصل ۶۵: Fine-tuning Pre-trained Models
• 66. فصل ۶۶: Transfer Learning
• 67. فصل ۶۷: بهینه‌سازی برای سیستم‌های توصیه‌گر
• 68. فصل ۶۸: Collaborative Filtering
• 69. فصل ۶۹: Content-Based Filtering
• 70. فصل ۷۰: Hybrid Recommender Systems
• 71. فصل ۷۱: معیارهای ارزیابی سیستم‌های توصیه‌گر
• 72. فصل ۷۲: Precision@K و Recall@K
• 73. فصل ۷۳: Mean Average Precision (MAP)
• 74. فصل ۷۴: Normalized Discounted Cumulative Gain (NDCG)
• 75. فصل ۷۵: بهینه‌سازی برای مسائل زمان-حقیقی
• 76. فصل ۷۶: Latency و Throughput
• 77. فصل ۷۷: Trade-offs بین دقت و سرعت
• 78. فصل ۷۸: Model Quantization
• 79. فصل ۷۹: Model Pruning
• 80. فصل ۸۰: Knowledge Distillation
• 81. فصل ۸۱: سنجش تعصب (Bias) در مدل‌های AI
• 82. فصل ۸۲: معیارهای سنجش عدم تعادل داده
• 83. فصل ۸۳: Fair AI metrics
• 84. فصل ۸۴: Redressing Bias
• 85. فصل ۸۵: Ethics in AI Model Selection and Optimization
• 86. فصل ۸۶: Transparency and Explainability
• 87. فصل ۸۷: Robustness and Adversarial Attacks
• 88. فصل ۸۸: A/B Testing for Model Deployment
• 89. فصل ۸۹: Monitoring Model Performance in Production
• 90. فصل ۹۰: Concept Drift Detection
• 91. فصل ۹۱: Data Drift Detection
• 92. فصل ۹۲: Retraining Strategies
• 93. فصل ۹۳: Version Control for Models and Datasets
• 94. فصل ۹۴: Reproducibility in AI Projects
• 95. فصل ۹۵: Documentation Best Practices
• 96. فصل ۹۶: Collaboration and Teamwork in AI
• 97. فصل ۹۷: Future Trends in Model Evaluation
• 98. فصل ۹۸: AutoML and Automated Hyperparameter Tuning
• 99. فصل ۹۹: The Human-in-the-Loop Approach
• 100. فصل ۱۰۰: جمع‌بندی و مسیر آینده