دوره Counterfactual Explanations: چگونه سیستم‌های هوش مصنوعی بفهمند چه چیزی را باید تغییر داد؟ همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Counterfactual Explanations: چگونه سیستم‌های هوش مصنوعی بفهمند چه چیزی را باید تغییر داد؟

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: Counterfactual Explanations

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر توضیحات پادواقعی
• 2. فصل ۲: مفهوم پادواقعیت در هوش مصنوعی
• 3. فصل ۳: اهمیت توضیحات پادواقعی
• 4. فصل ۴: چالش‌های تولید توضیحات پادواقعی
• 5. فصل ۵: انواع توضیحات پادواقعی
• 6. فصل ۶: رویکردهای مبتنی بر جستجو
• 7. فصل ۷: رویکردهای مبتنی بر یادگیری
• 8. فصل ۸: معیارهای ارزیابی توضیحات پادواقعی
• 9. فصل ۹: مثال‌های کاربردی در پزشکی
• 10. فصل ۱۰: مثال‌های کاربردی در امور مالی
• 11. فصل ۱۱: مثال‌های کاربردی در سیستم‌های توصیه‌گر
• 12. فصل ۱۲: تعامل با توضیحات پادواقعی
• 13. فصل ۱۳: شفافیت و اعتماد در هوش مصنوعی
• 14. فصل ۱۴: مسائل اخلاقی توضیحات پادواقعی
• 15. فصل ۱۵: آینده توضیحات پادواقعی
• 16. فصل ۱۶: مقدمه ای بر یادگیری تقویتی
• 17. فصل ۱۷: عناصر اصلی یادگیری تقویتی
• 18. فصل ۱۸: فرایندهای تصمیم‌گیری مارکوف
• 19. فصل ۱۹: سیاست‌ها و توابع ارزش
• 20. فصل ۲۰: الگوریتم‌های یادگیری تقویتی
• 21. فصل ۲۱: Q-Learning
• 22. فصل ۲۲: Deep Q-Networks (DQN)
• 23. فصل ۲۳: Policy Gradient Methods
• 24. فصل ۲۴: Actor-Critic Methods
• 25. فصل ۲۵: کاربردهای یادگیری تقویتی
• 26. فصل ۲۶: رباتیک و کنترل
• 27. فصل ۲۷: بازی‌ها
• 28. فصل ۲۸: بهینه‌سازی منابع
• 29. فصل ۲۹: سلامت و پزشکی
• 30. فصل ۳۰: یادگیری تقویتی عمیق
• 31. فصل ۳۱: مقدمه ای بر شبکه های عصبی عمیق
• 32. فصل ۳۲: معماری های شبکه عصبی عمیق
• 33. فصل ۳۳: توابع فعال سازی
• 34. فصل ۳۴: توابع زیان
• 35. فصل ۳۵: بهینه سازی و گرادیان کاهشی
• 36. فصل ۳۶: پس انتشار خطا
• 37. فصل ۳۷: شبکه های عصبی کانولوشنال (CNN)
• 38. فصل ۳۸: شبکه های عصبی بازگشتی (RNN)
• 39. فصل ۳۹: شبکه های حافظه کوتاه مدت بلند (LSTM)
• 40. فصل ۴۰: ترانسفورمرها
• 41. فصل ۴۱: کاربردهای یادگیری عمیق
• 42. فصل ۴۲: بینایی ماشین
• 43. فصل ۴۳: پردازش زبان طبیعی
• 44. فصل ۴۴: تشخیص گفتار
• 45. فصل ۴۵: سیستم های توصیه گر
• 46. فصل ۴۶: مقدمه ای بر مدل های زبانی بزرگ (LLM)
• 47. فصل ۴۷: معماری ترانسفورمر در LLM ها
• 48. فصل ۴۸: فرآیند پیش آموزش LLM ها
• 49. فصل ۴۹: تنظیم دقیق LLM ها
• 50. فصل ۵۰: انواع LLM ها
• 51. فصل ۵۱: GPT (Generative Pre-trained Transformer)
• 52. فصل ۵۲: BERT (Bidirectional Encoder Representations from Transformers)
• 53. فصل ۵۳: T5 (Text-to-Text Transfer Transformer)
• 54. فصل ۵۴: کاربردهای LLM ها
• 55. فصل ۵۵: تولید متن
• 56. فصل ۵۶: خلاصه سازی متن
• 57. فصل ۵۷: ترجمه ماشینی
• 58. فصل ۵۸: پاسخ به سوالات
• 59. فصل ۵۹: مکالمه و ربات های گفتگو
• 60. فصل ۶۰: مقدمه ای بر الگوریتم های اکتشافی
• 61. فصل ۶۱: الگوریتم های ژنتیک
• 62. فصل ۶۲: بهینه سازی کلونی مورچه
• 63. فصل ۶۳: الگوریتم های زنبور عسل
• 64. فصل ۶۴: تبرید شبیه سازی شده
• 65. فصل ۶۵: جستجوی همسایگی متغیر
• 66. فصل ۶۶: کاربردهای الگوریتم های اکتشافی
• 67. فصل ۶۷: مهندسی و طراحی
• 68. فصل ۶۸: زمانبندی
• 69. فصل ۶۹: لجستیک
• 70. فصل ۷۰: کشف دارو
• 71. فصل ۷۱: مبانی پردازش زبان طبیعی (NLP)
• 72. فصل ۷۲: نمایش کلمات (Word Embeddings)
• 73. فصل ۷۳: مدل های زبانی آماری
• 74. فصل ۷۴: مدل های زبانی عصبی
• 75. فصل ۷۵: تحلیل احساسات
• 76. فصل ۷۶: طبقه بندی متن
• 77. فصل ۷۷: تشخیص موجودیت نامگذاری شده (NER)
• 78. فصل ۷۸: مدلسازی موضوعی
• 79. فصل ۷۹: ترجمه ماشینی آماری
• 80. فصل ۸۰: ترجمه ماشینی عصبی
• 81. فصل ۸۱: پردازش زبان طبیعی در مکالمات
• 82. فصل ۸۲: معرفی به یادگیری ماشینی قابل تفسیر (XAI)
• 83. فصل ۸۳: چرا به XAI نیاز داریم؟
• 84. فصل ۸۴: مفاهیم کلیدی XAI
• 85. فصل ۸۵: روش های XAI
• 86. فصل ۸۶: LIME (Local Interpretable Model-agnostic Explanations)
• 87. فصل ۸۷: SHAP (SHapley Additive exPlanations)
• 88. فصل ۸۸: مدل های قابل تفسیر داخلی
• 89. فصل ۸۹: درختان تصمیم
• 90. فصل ۹۰: رگرسیون خطی
• 91. فصل ۹۱: کاربردهای XAI
• 92. فصل ۹۲: تشخیص پزشکی
• 93. فصل ۹۳: امور مالی و اعتبار
• 94. فصل ۹۴: عدالت کیفری
• 95. فصل ۹۵: مسئولیت پذیری هوش مصنوعی
• 96. فصل ۹۶: کاهش سوگیری در هوش مصنوعی
• 97. فصل ۹۷: تعامل انسان و هوش مصنوعی
• 98. فصل ۹۸: چالش های آینده XAI
• 99. فصل ۹۹: معیارهای ارزیابی توضیحات
• 100. فصل ۱۰۰: مروری بر تحقیقات آینده در XAI