دوره هوش مصنوعی و معماری تجربی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی و معماری تجربی

موضوع کلی: تاریخ و نظریه معماری

موضوع میانی: معماری و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و داده‌کاوی
• 2. معماری تجربی و طراحی آزمایش
• 3. مقدمه‌ای بر یادگیری ماشین
• 4. مبانی یادگیری نظارت‌شده
• 5. الگوریتم‌های طبقه‌بندی
• 6. رگرسیون خطی و لجستیک
• 7. درختان تصمیم و جنگل‌های تصادفی
• 8. ماشین‌های بردار پشتیبان (SVM)
• 9. یادگیری نظارت‌نشده
• 10. خوشه‌بندی K-Means
• 11. تحلیل مولفه‌های اصلی (PCA)
• 12. تقویت‌کننده گرادیان (Gradient Boosting)
• 13. شبکه‌های عصبی مصنوعی
• 14. مبانی شبکه‌های عصبی
• 15. توابع فعال‌سازی
• 16. پس‌انتشار خطا (Backpropagation)
• 17. شبکه‌های عصبی کانولوشنی (CNN)
• 18. شبکه‌های عصبی بازگشتی (RNN)
• 19. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 20. شبکه‌های تولیدی تخاصمی (GAN)
• 21. پردازش زبان طبیعی (NLP)
• 22. مدل‌سازی زبانی
• 23. تحلیل احساسات
• 24. ترجمه ماشینی
• 25. خلاصه‌سازی متن
• 26. استخراج اطلاعات
• 27. سیستم‌های توصیه‌گر
• 28. مبانی معماری تجربی
• 29. انواع طرح‌های آزمایشی
• 30. طراحی عامل و عوامل
• 31. طراحی عاملی کامل
• 32. طرح‌های عاملی کسری
• 33. طراحی بلوکی تصادفی
• 34. طراحی بلوکی لاتین
• 35. آزمایش‌های میدانی
• 36. آزمایش‌های A/B و A/B/n
• 37. آزمایش‌های چندبازویی (Multi-armed Bandits)
• 38. طراحی متوالی (Sequential Design)
• 39. طراحی هرم (Pyramidal Design)
• 40. طراحی افزایشی (Incremental Design)
• 41. طراحی پاسخ سطح (Response Surface Design)
• 42. طراحی اکتشافی (Exploratory Design)
• 43. طراحی بهینه‌سازی (Optimization Design)
• 44. ارزیابی و سنجش نتایج تجربی
• 45. معیارهای ارزیابی مدل‌های هوش مصنوعی
• 46. دقت، صحت، یادآوری و امتیاز F1
• 47. منحنی ROC و AUC
• 48. اعتبارسنجی متقابل (Cross-validation)
• 49. تست‌های آماری برای مقایسه مدل‌ها
• 50. تحلیل واریانس (ANOVA)
• 51. آزمون t-Student
• 52. آزمون ویلکاکسون
• 53. آزمون مان-ویتنی
• 54. تفسیرپذیری مدل‌های هوش مصنوعی (XAI)
• 55. تفسیرپذیری محلی و سراسری
• 56. روش‌های LIME و SHAP
• 57. تحلیل اهمیت ویژگی‌ها
• 58. ملاحظات اخلاقی در هوش مصنوعی
• 59. حریم خصوصی داده‌ها
• 60. سوگیری در الگوریتم‌ها
• 61. شفافیت و پاسخگویی
• 62. کاربرد هوش مصنوعی در معماری تجربی
• 63. بهینه‌سازی طراحی محصولات
• 64. پیش‌بینی رفتار کاربران
• 65. شخصی‌سازی تجربیات
• 66. تست و اعتبارسنجی رابط‌های کاربری
• 67. شناسایی الگوهای رفتاری
• 68. تحلیل داده‌های حاصل از آزمایش‌ها
• 69. ایجاد مدل‌های پیش‌بینانه
• 70. مدیریت ریسک در طراحی تجربی
• 71. مقدمه‌ای بر مهندسی داده
• 72. جمع‌آوری و پاکسازی داده
• 73. مهندسی ویژگی (Feature Engineering)
• 74. انتخاب ویژگی (Feature Selection)
• 75. کاهش ابعاد
• 76. مدیریت پایگاه داده برای پروژه‌های هوش مصنوعی
• 77. پایگاه‌های داده رابطه‌ای
• 78. پایگاه‌های داده NoSQL
• 79. ذخیره‌سازی داده‌های بزرگ (Big Data Storage)
• 80. معماری داده‌های بزرگ
• 81. ابزارهای پردازش داده‌های بزرگ
• 82. Spark و Hadoop
• 83. مبانی یادگیری تقویتی
• 84. فرآیند یادگیری تقویتی
• 85. تابع پاداش و جریمه
• 86. عامل و محیط
• 87. الگوریتم‌های Q-Learning
• 88. الگوریتم‌های Policy Gradient
• 89. شبکه‌های عصبی عمیق در یادگیری تقویتی
• 90. کاربرد یادگیری تقویتی در بهینه‌سازی
• 91. بهینه‌سازی رباتیک
• 92. کنترل سیستم‌های پویا
• 93. مدیریت منابع
• 94. مباحث پیشرفته در هوش مصنوعی
• 95. یادگیری انتقالی (Transfer Learning)
• 96. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 97. یادگیری فعال (Active Learning)
• 98. یادگیری افزایشی (Incremental Learning)
• 99. یادگیری فدرال (Federated Learning)
• 100. کاربرد هوش مصنوعی در علم و مهندسی