دوره از تئوری تا پیاده‌سازی در یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از تئوری تا پیاده‌سازی در یادگیری ماشین

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری ماشین (Machine Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 3. مفاهیم پایه در یادگیری ماشین: داده، ویژگی، نمونه
• 4. پیش‌پردازش داده‌ها: پاکسازی، نرمال‌سازی، استانداردسازی
• 5. مهندسی ویژگی: انتخاب، استخراج و ساخت ویژگی
• 6. تقسیم داده‌ها: آموزش، اعتبارسنجی و آزمون
• 7. ارزیابی مدل‌ها: معیارهای دقت، فراخوانی، امتیاز F1
• 8. رگرسیون خطی: مدل‌سازی و پیش‌بینی مقادیر پیوسته
• 9. رگرسیون لجستیک: طبقه‌بندی دودویی و چندکلاسه
• 10. دسته‌بندی‌کننده‌های بیز ساده
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. درختان تصمیم: ساختار، قوانین و تفسیر
• 13. جنگل‌های تصادفی: ادغام درختان تصمیم
• 14. تقویت گرادیان: روش‌های Boosting
• 15. الگوریتم‌های خوشه‌بندی: K-Means
• 16. خوشه‌بندی سلسله مراتبی
• 17. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 18. کاهش ابعاد: تجزیه مقادیر منفرد (SVD)
• 19. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 20. نورون مصنوعی و توابع فعال‌سازی
• 21. لایه‌های شبکه‌های عصبی: ورودی، پنهان، خروجی
• 22. انتشار رو به جلو و انتشار به عقب خطا
• 23. بهینه‌سازی مدل‌ها: گرادیان کاهشی تصادفی (SGD)
• 24. یادگیری عمیق: شبکه‌های عصبی کانولوشنی (CNN)
• 25. کاربرد CNN در پردازش تصویر
• 26. یادگیری عمیق: شبکه‌های عصبی بازگشتی (RNN)
• 27. کاربرد RNN در پردازش زبان طبیعی
• 28. حافظه طولانی کوتاه مدت (LSTM)
• 29. واحد بازگشتی دروازه‌دار (GRU)
• 30. یادگیری تقویتی: مفاهیم پایه، عامل و محیط
• 31. فرایند تصمیم‌گیری مارکوف (MDP)
• 32. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 33. الگوریتم‌های یادگیری تقویتی: SARSA
• 34. یادگیری عمیق تقویتی: Deep Q-Networks (DQN)
• 35. مدل‌های زبانی: N-grams
• 36. مدل‌های زبانی آماری
• 37. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 38. پردازش زبان طبیعی (NLP): تشخیص موجودیت نام‌دار (NER)
• 39. تحلیل احساسات: شناسایی نظرات و احساسات
• 40. دسته‌بندی متن
• 41. ترجمه ماشینی
• 42. استخراج اطلاعات
• 43. سیستم‌های توصیه‌گر: فیلترینگ مبتنی بر محتوا
• 44. سیستم‌های توصیه‌گر: فیلترینگ مشارکتی
• 45. سیستم‌های توصیه‌گر: ترکیبی
• 46. یادگیری نیمه‌نظارت شده
• 47. یادگیری خودنظارت شده
• 48. یادگیری انتقالی
• 49. یادگیری بدون داده
• 50. یادگیری فعال
• 51. مدل‌های تولیدکننده: مدل‌های گرافیکی
• 52. مدل‌های تولیدکننده: شبکه‌های مولد تخاصمی (GAN)
• 53. کاربرد GAN در تولید داده
• 54. یادگیری فدرال: مفاهیم و مزایا
• 55. امنیت و حریم خصوصی در یادگیری فدرال
• 56. اخلاق در هوش مصنوعی: سوگیری و انصاف
• 57. اخلاق در هوش مصنوعی: شفافیت و توضیح‌پذیری
• 58. اخلاق در هوش مصنوعی: مسئولیت‌پذیری
• 59. کاربرد یادگیری ماشین در بهداشت و درمان
• 60. کاربرد یادگیری ماشین در امور مالی
• 61. کاربرد یادگیری ماشین در حمل و نقل
• 62. کاربرد یادگیری ماشین در کشاورزی
• 63. کاربرد یادگیری ماشین در آموزش
• 64. کاربرد یادگیری ماشین در صنعت
• 65. کاربرد یادگیری ماشین در امنیت سایبری
• 66. مدل‌سازی سری‌های زمانی
• 67. پیش‌بینی در سری‌های زمانی
• 68. تحلیل داده‌های حجیم (Big Data)
• 69. پلتفرم‌های پردازش کلان داده: Spark
• 70. پلتفرم‌های پردازش کلان داده: Hadoop
• 71. استقرار مدل‌های یادگیری ماشین در عمل
• 72. نظارت و نگهداری مدل‌ها
• 73. مهندسی ویژگی در مقیاس بزرگ
• 74. انتخاب و تنظیم ابرپارامترها
• 75. روش‌های تنظیم ابرپارامتر: جستجوی شبکه‌ای
• 76. روش‌های تنظیم ابرپارامتر: جستجوی تصادفی
• 77. اعتبارسنجی متقابل
• 78. مدل‌های پیچیده و یادگیری عمیق
• 79. شبکه‌های عصبی گراف (GNN)
• 80. پردازش سیگنال با یادگیری ماشین
• 81. تشخیص ناهنجاری
• 82. تحلیل شبکه‌های اجتماعی
• 83. مدل‌سازی رفتار کاربر
• 84. بهینه‌سازی مدل‌ها با استفاده از سخت‌افزار
• 85. یادگیری ماشین روی دستگاه (On-Device ML)
• 86. ملاحظات عملی در پیاده‌سازی
• 87. مقاله‌های تحقیقاتی برجسته در یادگیری ماشین
• 88. روندهای آینده در یادگیری ماشین
• 89. چالش‌های پیش روی یادگیری ماشین
• 90. کاربرد یادگیری ماشین در بهینه‌سازی مصرف انرژی
• 91. کاربرد یادگیری ماشین در مدیریت منابع آب
• 92. کاربرد یادگیری ماشین در پیش‌بینی بلایای طبیعی
• 93. کاربرد یادگیری ماشین در رباتیک
• 94. کاربرد یادگیری ماشین در هوشمندسازی شهرها
• 95. کاربرد یادگیری ماشین در سیستم‌های توزیع شده
• 96. مقدمه‌ای بر مفاهیم آماری پیشرفته
• 97. مقدمه‌ای بر جبر خطی در یادگیری ماشین
• 98. مقدمه‌ای بر حساب دیفرانسیل و انتگرال در یادگیری ماشین
• 99. مقدمه‌ای بر نظریه اطلاعات
• 100. مقدمه‌ای بر بهینه‌سازی محدب