دوره مبانی هوش مصنوعی: رویکردی کاربردی برای توسعه‌دهندگان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی هوش مصنوعی: رویکردی کاربردی برای توسعه‌دهندگان

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مبانی هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و کاربردهای آن
• 2. تاریخچه مختصری از هوش مصنوعی
• 3. مفاهیم پایه در هوش مصنوعی
• 4. یادگیری ماشین: تعاریف و انواع
• 5. یادگیری نظارت شده: رگرسیون
• 6. یادگیری نظارت شده: طبقه‌بندی
• 7. یادگیری بدون نظارت: خوشه‌بندی
• 8. یادگیری بدون نظارت: کاهش ابعاد
• 9. یادگیری تقویتی: اصول اولیه
• 10. شبکه‌های عصبی مصنوعی: ساختار پایه
• 11. توابع فعال‌سازی در شبکه‌های عصبی
• 12. پس‌انتشار خطا (Backpropagation)
• 13. یادگیری عمیق: مقدمه
• 14. شبکه‌های عصبی کانولوشنی (CNN)
• 15. کاربرد CNN در پردازش تصویر
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. کاربرد RNN در پردازش زبان طبیعی
• 18. حافظه طولانی کوتاه‌مدت (LSTM)
• 19. واحد بازگشتی دروازه‌ای (GRU)
• 20. یادگیری نظارت نشده عمیق
• 21. خودرمزگذارها (Autoencoders)
• 22. شبکه‌های مولد تخاصمی (GANs)
• 23. مبانی پردازش زبان طبیعی (NLP)
• 24. توکن‌سازی و نرمال‌سازی متن
• 25. مدل‌های زبانی آماری
• 26. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 27. ترجمه ماشینی عصبی
• 28. خلاصه‌سازی متن با هوش مصنوعی
• 29. تحلیل احساسات در متن
• 30. سیستم‌های توصیه‌گر
• 31. فیلترینگ مشارکتی
• 32. فیلترینگ مبتنی بر محتوا
• 33. مبانی یادگیری تقویتی عمیق
• 34. فرایندهای تصمیم‌گیری مارکوف (MDP)
• 35. الگوریتم‌های یادگیری تقویتی
• 36. یادگیری Q (Q-Learning)
• 37. یادگیری عمیق Q شبکه (DQN)
• 38. یادگیری سیاست گرادیان (Policy Gradient)
• 39. کاربردهای هوش مصنوعی در صنعت
• 40. هوش مصنوعی در سلامت و پزشکی
• 41. هوش مصنوعی در امور مالی و بانکی
• 42. هوش مصنوعی در کشاورزی
• 43. هوش مصنوعی در حمل و نقل
• 44. هوش مصنوعی در آموزش
• 45. اخلاق در هوش مصنوعی
• 46. سوگیری در الگوریتم‌های هوش مصنوعی
• 47. حریم خصوصی و امنیت داده‌ها در هوش مصنوعی
• 48. شفافیت و تفسیرپذیری مدل‌های هوش مصنوعی
• 49. مطالعه موردی: سیستم‌های توصیه‌گر در فروشگاه‌های آنلاین
• 50. مطالعه موردی: کاربرد CNN در تشخیص بیماری‌ها
• 51. مطالعه موردی: کاربرد RNN در چت‌بات‌های هوشمند
• 52. مطالعه موردی: کاربرد GANs در تولید تصاویر
• 53. مبانی برنامه‌نویسی برای هوش مصنوعی
• 54. زبان پایتون برای هوش مصنوعی
• 55. کتابخانه‌های کلیدی: NumPy و Pandas
• 56. کتابخانه‌های یادگیری ماشین: Scikit-learn
• 57. کتابخانه‌های یادگیری عمیق: TensorFlow
• 58. کتابخانه‌های یادگیری عمیق: PyTorch
• 59. پیاده‌سازی مدل‌های یادگیری نظارت شده
• 60. پیاده‌سازی مدل‌های یادگیری بدون نظارت
• 61. پیاده‌سازی مدل‌های یادگیری تقویتی
• 62. ارزیابی مدل‌های هوش مصنوعی
• 63. معیارهای ارزیابی برای رگرسیون
• 64. معیارهای ارزیابی برای طبقه‌بندی
• 65. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 66. مهندسی ویژگی (Feature Engineering)
• 67. انتخاب ویژگی (Feature Selection)
• 68. کاهش ابعاد با PCA
• 69. کاهش ابعاد با t-SNE
• 70. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 71. شبکه‌های عصبی پیچشی (Convolutional Neural Networks)
• 72. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)
• 73. یادگیری انتقالی (Transfer Learning)
• 74. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 75. مدل‌های گراف عصبی (Graph Neural Networks)
• 76. پردازش تصویر پیشرفته با هوش مصنوعی
• 77. تشخیص اشیاء در تصاویر
• 78. تقسیم‌بندی تصویر (Image Segmentation)
• 79. تولید متن از تصاویر (Image Captioning)
• 80. پردازش گفتار با هوش مصنوعی
• 81. تشخیص گفتار
• 82. تولید گفتار
• 83. پردازش زبان طبیعی پیشرفته
• 84. مدل‌های ترنسفورمر (Transformer Models)
• 85. یادگیری تقویتی پیشرفته
• 86. یادگیری تقویتی عمیق در رباتیک
• 87. هوش مصنوعی مولد (Generative AI)
• 88. کاربردهای هوش مصنوعی در تحلیل داده‌های کلان
• 89. استقرار مدل‌های هوش مصنوعی در محیط عملیاتی
• 90. مقدمه‌ای بر مهندسی داده برای هوش مصنوعی
• 91. مبانی یادگیری عمیق برای پردازش سیگنال
• 92. سیستم‌های هوش مصنوعی توزیع شده
• 93. روش‌های بهینه‌سازی در یادگیری عمیق
• 94. حساب دیفرانسیل و انتگرال برای یادگیری ماشین
• 95. جبر خطی برای یادگیری ماشین
• 96. احتمالات و آمار برای هوش مصنوعی
• 97. یادگیری فعال (Active Learning)
• 98. یادگیری نیمه‌نظارت شده (Semi-Supervised Learning)
• 99. یادگیری خودران (Self-Supervised Learning)
• 100. مقدمه‌ای بر هوش مصنوعیExplainable AI (XAI)