دوره محاسبات عددی پیشرفته برای هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره محاسبات عددی پیشرفته برای هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: محاسبات عددی در هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مبانی هوش مصنوعی و محاسبات عددی
• 2. مفاهیم پایه در جبر خطی عددی
• 3. حل دستگاه معادلات خطی به روش‌های مستقیم
• 4. حل دستگاه معادلات خطی به روش‌های تکراری
• 5. محاسبه و تجزیه مقادیر ویژه و بردارهای ویژه
• 6. تقریب توابع و درون‌یابی چندجمله‌ای
• 7. روش‌های برازش منحنی و رگرسیون خطی
• 8. انتگرال‌گیری عددی و قانون ذوزنقه
• 9. انتگرال‌گیری عددی و قاعده سیمپسون
• 10. روش‌های تفاضل محدود برای مشتق‌گیری
• 11. حل معادلات دیفرانسیل معمولی مرتبه اول
• 12. حل معادلات دیفرانسیل معمولی مرتبه دوم
• 13. روش اویلر و اصلاحات آن
• 14. روش رونگه-کوتا مرتبه چهارم
• 15. حل عددی معادلات دیفرانسیل جزئی
• 16. کاربرد معادلات دیفرانسیل در مدل‌سازی
• 17. مقدمه‌ای بر بهینه‌سازی در هوش مصنوعی
• 18. بهینه‌سازی بدون قید: روش‌های گرادیانی
• 19. روش گرادیان کاهشی تصادفی
• 20. بهینه‌سازی با قید: روش ضرایب لاگرانژ
• 21. مقدمه‌ای بر یادگیری ماشین
• 22. انواع الگوریتم‌های یادگیری ماشین
• 23. یادگیری نظارت شده و نظارت نشده
• 24. رگرسیون خطی در یادگیری ماشین
• 25. رگرسیون لجستیک برای طبقه‌بندی
• 26. ماشین‌های بردار پشتیبان (SVM)
• 27. درختان تصمیم و جنگل‌های تصادفی
• 28. دسته‌بندی‌کننده‌های بیزین ساده
• 29. یادگیری عمیق و شبکه‌های عصبی
• 30. مبانی شبکه‌های عصبی پرسپترون چندلایه
• 31. توابع فعال‌سازی در شبکه‌های عصبی
• 32. پس‌انتشار خطا (Backpropagation)
• 33. شبکه‌های عصبی کانولوشنال (CNN)
• 34. کاربرد CNN در پردازش تصویر
• 35. شبکه‌های عصبی بازگشتی (RNN)
• 36. کاربرد RNN در پردازش زبان طبیعی
• 37. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 38. شبکه‌های حافظه کوتاه مدت (GRU)
• 39. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 40. تجزیه و تحلیل متنی و استخراج ویژگی
• 41. مدل‌سازی زبانی و پیش‌بینی کلمه
• 42. ترجمه ماشینی آماری
• 43. ترجمه ماشینی عصبی
• 44. تشخیص موجودیت نام‌گذاری شده (NER)
• 45. تحلیل احساسات و نظرات
• 46. ربات‌های گفتگو و دستیاران مجازی
• 47. پردازش صدا و تشخیص گفتار
• 48. مدل‌های مولد در هوش مصنوعی
• 49. شبکه‌های مولد تخاصمی (GAN)
• 50. کاربرد GAN در تولید تصویر
• 51. مدل‌های زبانی بزرگ (LLM)
• 52. معماری ترانسفورمر در LLM
• 53. مکانیسم توجه (Attention Mechanism)
• 54. تنظیم دقیق (Fine-tuning) مدل‌های LLM
• 55. کاربردهای LLM در تولید متن
• 56. استدلال منطقی با LLM
• 57. مدیریت دانش در هوش مصنوعی
• 58. سیستم‌های توصیه‌گر
• 59. یادگیری تقویتی (Reinforcement Learning)
• 60. مبانی یادگیری تقویتی
• 61. الگوریتم‌های Q-Learning
• 62. الگوریتم‌های Deep Q-Network (DQN)
• 63. مقدمه‌ای بر رباتیک و هوش مصنوعی
• 64. برنامه‌ریزی مسیر برای ربات‌ها
• 65. بینایی ماشین و درک صحنه
• 66. ربات‌های خودمختار و ناوبری
• 67. اخلاق در هوش مصنوعی
• 68. سوگیری در الگوریتم‌های هوش مصنوعی
• 69. شفافیت و توضیح‌پذیری در هوش مصنوعی
• 70. امنیت در سیستم‌های هوش مصنوعی
• 71. کاربردهای هوش مصنوعی در سلامت
• 72. کاربردهای هوش مصنوعی در صنعت
• 73. کاربردهای هوش مصنوعی در آموزش
• 74. کاربردهای هوش مصنوعی در امور مالی
• 75. پردازش داده‌های حجیم (Big Data)
• 76. مقدمه‌ای بر محاسبات توزیع شده
• 77. چارچوب‌های پردازش توزیع شده (مانند Spark)
• 78. کاربرد محاسبات عددی در یادگیری عمیق
• 79. بهینه‌سازی معماری شبکه‌های عصبی
• 80. تکنیک‌های تنظیم پارامتر (Hyperparameter Tuning)
• 81. ارزیابی مدل‌های هوش مصنوعی
• 82. اعتبارسنجی متقابل (Cross-Validation)
• 83. متریک‌های ارزیابی برای طبقه‌بندی
• 84. متریک‌های ارزیابی برای رگرسیون
• 85. مقدمه‌ای بر هوش مصنوعی مولد
• 86. تولید کد با هوش مصنوعی
• 87. تولید محتوای خلاقانه
• 88. تحلیل داده‌های سری زمانی
• 89. پیش‌بینی سری زمانی با مدل‌های آماری
• 90. پیش‌بینی سری زمانی با شبکه‌های عصبی
• 91. مقدمه‌ای بر گراف‌های دانش
• 92. یادگیری بر روی گراف‌ها (Graph Neural Networks)
• 93. کاربرد GNN در شبکه‌های اجتماعی
• 94. کاربرد GNN در شیمی و زیست‌شناسی
• 95. مقدمه‌ای بر محاسبات کوانتومی و هوش مصنوعی
• 96. الگوریتم‌های کوانتومی برای یادگیری ماشین
• 97. مقدمه‌ای بر محاسبات ابری برای هوش مصنوعی
• 98. استقرار مدل‌های هوش مصنوعی در ابر
• 99. مدیریت چرخه حیات مدل‌های هوش مصنوعی
• 100. کاربرد هوش مصنوعی در بهینه‌سازی منابع