دوره تحلیل عددی و ارزیابی عملکرد مدل‌های هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل عددی و ارزیابی عملکرد مدل‌های هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: محاسبات عددی در هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل عددی در ارزیابی مدل‌های هوش مصنوعی
• 2. مبانی نظری ارزیابی عملکرد مدل‌های هوش مصنوعی
• 3. معرفی معیارهای ارزیابی پایه (دقت، صحت، بازیابی)
• 4. تحلیل ماتریس درهم‌ریختگی (Confusion Matrix)
• 5. مفهوم خطای نوع اول و نوع دوم
• 6. ارزیابی مدل‌های طبقه‌بندی دودویی
• 7. ارزیابی مدل‌های طبقه‌بندی چندکلاسه
• 8. منحنی مشخصه عملکرد گیرنده (ROC Curve)
• 9. سطح زیر منحنی ROC (AUC)
• 10. منحنی دقت-بازیابی (Precision-Recall Curve)
• 11. مفهوم F1-Score و کاربردهای آن
• 12. شاخص‌های ارزیابی مدل‌های رگرسیون
• 13. میانگین مربعات خطا (MSE)
• 14. ریشه میانگین مربعات خطا (RMSE)
• 15. میانگین قدر مطلق خطا (MAE)
• 16. ضریب تعیین (R-squared)
• 17. تحلیل باقی‌مانده‌ها در مدل‌های رگرسیون
• 18. اعتبارسنجی متقابل (Cross-Validation)
• 19. اعتبارسنجی K-Fold
• 20. اعتبارسنجی Leave-One-Out
• 21. اعتبارسنجی Stratified K-Fold
• 22. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 23. روش‌های تشخیص بیش‌برازش
• 24. روش‌های جلوگیری از بیش‌برازش
• 25. تنظیم فراپارامترها (Hyperparameter Tuning)
• 26. جستجوی شبکه‌ای (Grid Search)
• 27. جستجوی تصادفی (Random Search)
• 28. بهینه‌سازی بیزی (Bayesian Optimization)
• 29. ارزیابی مدل‌های یادگیری عمیق
• 30. متریک‌های خاص برای شبکه‌های عصبی کانولوشنی (CNN)
• 31. متریک‌های خاص برای شبکه‌های عصبی بازگشتی (RNN)
• 32. ارزیابی مدل‌های پردازش زبان طبیعی (NLP)
• 33. متریک‌های ارزیابی ترجمه ماشینی
• 34. متریک‌های ارزیابی خلاصه‌سازی متن
• 35. متریک‌های ارزیابی تشخیص موجودیت نام‌گذاری شده (NER)
• 36. ارزیابی مدل‌های یادگیری تقویتی
• 37. مفهوم تابع پاداش در یادگیری تقویتی
• 38. متریک‌های ارزیابی عامل در یادگیری تقویتی
• 39. تحلیل حساسیت و نااطمینانی در مدل‌ها
• 40. شبیه‌سازی مونت کارلو برای ارزیابی نااطمینانی
• 41. تحلیل عدم قطعیت پارامترها
• 42. ارزیابی مدل‌های تولیدی (Generative Models)
• 43. متریک‌های ارزیابی مدل‌های GAN
• 44. متریک‌های ارزیابی مدل‌های VAE
• 45. مفهوم بایاس و واریانس در ارزیابی مدل
• 46. تحلیل واریانس مدل
• 47. تحلیل بایاس مدل
• 48. ارزیابی منصفانه مدل‌ها (Fairness)
• 49. مفهوم تبعیض در الگوریتم‌ها
• 50. متریک‌های ارزیابی عدالت الگوریتمی
• 51. روش‌های کاهش تبعیض در مدل‌ها
• 52. ارزیابی مدل‌های یادگیری انتقالی (Transfer Learning)
• 53. ارزیابی مدل‌های یادگیری چندوظیفه‌ای (Multi-task Learning)
• 54. تحلیل هزینه محاسباتی مدل‌ها
• 55. اندازه‌گیری زمان آموزش و استنتاج
• 56. تحلیل مصرف حافظه مدل‌ها
• 57. ارزیابی پایداری مدل‌ها در طول زمان
• 58. ارزیابی مدل‌ها در برابر داده‌های خارج از توزیع (Out-of-Distribution Data)
• 59. استفاده از معیارهای آماری در ارزیابی
• 60. آزمون فرض آماری برای مقایسه مدل‌ها
• 61. فاصله‌های اطمینان برای معیارهای ارزیابی
• 62. ارزیابی مدل‌های مبتنی بر درخت تصمیم
• 63. ارزیابی مدل‌های ماشین بردار پشتیبان (SVM)
• 64. ارزیابی مدل‌های مدل‌های مبتنی بر بیز
• 65. ارزیابی مدل‌های مدل‌های مبتنی بر تجمعی (Ensemble Methods)
• 66. ارزیابی مدل‌های Bagging و Boosting
• 67. تحلیل تاثیر داده‌های پرت (Outliers) بر ارزیابی
• 68. روش‌های پاکسازی داده‌ها برای ارزیابی بهتر
• 69. ارزیابی مدل‌ها در شرایط داده‌های نامتوازن
• 70. تکنیک‌های نمونه‌گیری مجدد (Resampling)
• 71. استفاده از معیارهای ارزیابی مناسب برای داده‌های نامتوازن
• 72. ارزیابی کیفیت ویژگی‌ها (Feature Engineering)
• 73. تاثیر مهندسی ویژگی بر عملکرد مدل
• 74. ارزیابی مقیاس‌پذیری مدل‌ها
• 75. پیاده‌سازی ابزارهای ارزیابی مدل (مانند Scikit-learn)
• 76. کار با کتابخانه‌های تحلیل داده (مانند Pandas)
• 77. مصورسازی نتایج ارزیابی
• 78. تحلیل نمودارهای پراکندگی برای ارزیابی
• 79. نمودارهای هیستوگرام برای توزیع خطاها
• 80. نمودارهای جعبه‌ای (Box Plots) برای مقایسه توزیع خطاها
• 81. ارزیابی مدل‌های پیش‌بینی سری‌های زمانی
• 82. متریک‌های خاص برای پیش‌بینی سری‌های زمانی
• 83. تحلیل خطاهای پیش‌بینی در طول زمان
• 84. ارزیابی مدل‌های تشخیص ناهنجاری (Anomaly Detection)
• 85. متریک‌های ارزیابی مدل‌های تشخیص ناهنجاری
• 86. کاربرد تحلیل عددی در فهم درونی مدل‌ها (Interpretability)
• 87. روش‌های توضیح‌پذیری مدل (XAI)
• 88. تحلیل اهمیت ویژگی‌ها (Feature Importance)
• 89. ارزیابی مدل‌ها در چارچوب مقررات و استانداردها
• 90. اهمیت مستندسازی فرآیند ارزیابی
• 91. تکمیل زنجیره ارزش در توسعه مدل‌های هوش مصنوعی
• 92. مدیریت چرخه عمر مدل‌های هوش مصنوعی
• 93. نکات پیشرفته در ارزیابی مدل‌های پیچیده
• 94. مقایسه عملی معیارهای ارزیابی در سناریوهای مختلف
• 95. مطالعه موردی: ارزیابی مدل طبقه‌بندی تصویر
• 96. مطالعه موردی: ارزیابی مدل پیش‌بینی قیمت
• 97. مطالعه موردی: ارزیابی مدل تشخیص تقلب
• 98. مطالعه موردی: ارزیابی مدل توصیه‌گر
• 99. جمع‌بندی و گام‌های آتی در ارزیابی مدل‌های هوش مصنوعی