دوره تصمیم‌گیری مبتنی بر داده با استفاده از هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تصمیم‌گیری مبتنی بر داده با استفاده از هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و تصمیم‌گیری
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 4. آمار و احتمالات در هوش مصنوعی
• 5. مفاهیم کلیدی آمار توصیفی
• 6. توزیع‌های احتمالی و کاربرد آن‌ها
• 7. مفاهیم استنباط آماری
• 8. آزمون فرض و فاصله اطمینان
• 9. مقدمه‌ای بر تحلیل داده
• 10. چرخه حیات تحلیل داده
• 11. جمع‌آوری و پاک‌سازی داده‌ها
• 12. کشف و بصری‌سازی داده‌ها
• 13. شناسایی الگوها و روندها
• 14. پیش‌پردازش داده‌ها برای مدل‌سازی
• 15. مقیاس‌بندی و نرمال‌سازی داده‌ها
• 16. مدیریت داده‌های گمشده
• 17. انتخاب ویژگی و مهندسی ویژگی
• 18. مدل‌های یادگیری نظارت‌شده: رگرسیون خطی
• 19. مدل‌های یادگیری نظارت‌شده: رگرسیون لجستیک
• 20. مدل‌های یادگیری نظارت‌شده: ماشین‌های بردار پشتیبان (SVM)
• 21. مدل‌های یادگیری نظارت‌شده: درختان تصمیم
• 22. مدل‌های یادگیری نظارت‌شده: جنگل‌های تصادفی
• 23. مدل‌های یادگیری نظارت‌شده: تقویت گرادیان
• 24. مدل‌های یادگیری بدون نظارت: خوشه‌بندی
• 25. الگوریتم K-Means برای خوشه‌بندی
• 26. خوشه‌بندی سلسله‌مراتبی
• 27. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 28. کاهش ابعاد: t-SNE
• 29. مدل‌های یادگیری تقویتی: مفاهیم پایه
• 30. محیط، عامل، وضعیت، عمل، پاداش
• 31. یادگیری مبتنی بر ارزش
• 32. یادگیری مبتنی بر سیاست
• 33. شبکه‌های عصبی مصنوعی (ANN)
• 34. مبانی شبکه‌های عصبی
• 35. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 36. توابع فعال‌سازی در شبکه‌های عصبی
• 37. پس‌انتشار خطا (Backpropagation)
• 38. شبکه‌های عصبی کانولوشنال (CNN)
• 39. کاربرد CNN در پردازش تصویر
• 40. شبکه‌های عصبی بازگشتی (RNN)
• 41. کاربرد RNN در پردازش زبان طبیعی
• 42. شبکه‌های عصبی ترنسفورمر
• 43. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 44. تحلیل احساسات با استفاده از هوش مصنوعی
• 45. مدل‌سازی موضوعی
• 46. ترجمه ماشینی
• 47. تولید متن با هوش مصنوعی
• 48. اخلاق در هوش مصنوعی
• 49. سوگیری در داده‌ها و مدل‌ها
• 50. شفافیت و توضیح‌پذیری مدل‌ها
• 51. مسئولیت‌پذیری در تصمیم‌گیری هوش مصنوعی
• 52. حریم خصوصی و امنیت داده‌ها
• 53. کاربردهای هوش مصنوعی در کسب‌وکار
• 54. هوش مصنوعی در بازاریابی و فروش
• 55. هوش مصنوعی در مدیریت زنجیره تأمین
• 56. هوش مصنوعی در خدمات مشتری
• 57. هوش مصنوعی در مالی و بانکداری (با رعایت چارچوب بانکداری بدون ربا)
• 58. هوش مصنوعی در تولید و صنعت
• 59. هوش مصنوعی در سلامت (با رعایت پروتکل‌های وزارت بهداشت)
• 60. هوش مصنوعی در آموزش
• 61. ارزیابی و انتخاب مدل‌های هوش مصنوعی
• 62. معیارهای ارزیابی مدل‌های رگرسیون
• 63. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 64. اعتبارسنجی متقابل (Cross-validation)
• 65. تنظیم ابرپارامترها (Hyperparameter tuning)
• 66. مدیریت ریسک در پروژه‌های هوش مصنوعی
• 67. پیاده‌سازی و استقرار مدل‌های هوش مصنوعی
• 68. نظارت بر عملکرد مدل در طول زمان
• 69. به‌روزرسانی و بازآموزی مدل‌ها
• 70. ابزارها و فریم‌ورک‌های هوش مصنوعی
• 71. TensorFlow و Keras
• 72. PyTorch
• 73. Scikit-learn
• 74. Pandas و NumPy
• 75. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 76. معماری‌های پردازش داده‌های بزرگ
• 77. کاربرد هوش مصنوعی در بهینه‌سازی فرآیندها
• 78. تحلیل پیش‌بینانه (Predictive Analytics)
• 79. تحلیل تجویزی (Prescriptive Analytics)
• 80. تصمیم‌گیری مبتنی بر شواهد
• 81. تلفیق هوش مصنوعی با دانش تخصصی
• 82. مطالعات موردی موفق در تصمیم‌گیری هوش مصنوعی
• 83. آینده هوش مصنوعی و تصمیم‌گیری
• 84. مباحث پیشرفته در یادگیری ماشین
• 85. یادگیری عمیق (Deep Learning)
• 86. یادگیری انتقالی (Transfer Learning)
• 87. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 88. یادگیری فدرال (Federated Learning)
• 89. ارزیابی اقتصادی پروژه‌های هوش مصنوعی
• 90. مدل‌سازی سناریوهای تصمیم‌گیری
• 91. پیاده‌سازی سیستم‌های پشتیبان تصمیم‌گیری
• 92. توسعه استراتژی‌های داده‌محور
• 93. مدیریت دانش سازمانی با هوش مصنوعی
• 94. ملاحظات حقوقی و مقرراتی در هوش مصنوعی (مطابق قوانین ایران)
• 95. آموزش مداوم در حوزه هوش مصنوعی