دوره تشخیص ناهنجاری (Anomaly Detection) با یادگیری عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تشخیص ناهنجاری (Anomaly Detection) با یادگیری عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تشخیص ناهنجاری
• 2. مفاهیم کلیدی در تشخیص ناهنجاری
• 3. انواع ناهنجاری‌ها
• 4. کاربرد‌های تشخیص ناهنجاری
• 5. روش‌های آماری سنتی برای تشخیص ناهنجاری
• 6. مقدمه‌ای بر یادگیری ماشین
• 7. یادگیری نظارت شده و بدون نظارت
• 8. مقدمه‌ای بر یادگیری عمیق
• 9. شبکه‌های عصبی مصنوعی
• 10. شبکه‌های عصبی کانولوشنال (CNN)
• 11. شبکه‌های عصبی بازگشتی (RNN)
• 12. شبکه‌های مولد تخاصمی (GAN)
• 13. شبکه‌های خودرمزگذار (Autoencoder)
• 14. خودرمزگذارهای متغیر (VAE)
• 15. کاربرد CNN در تشخیص ناهنجاری
• 16. کاربرد RNN در تشخیص ناهنجاری
• 17. کاربرد GAN در تشخیص ناهنجاری
• 18. کاربرد Autoencoder در تشخیص ناهنجاری
• 19. کاربرد VAE در تشخیص ناهنجاری
• 20. پیش‌پردازش داده‌ها برای تشخیص ناهنجاری
• 21. استانداردسازی و نرمال‌سازی داده‌ها
• 22. مدیریت داده‌های پرت (Outliers)
• 23. مهندسی ویژگی در تشخیص ناهنجاری
• 24. انتخاب ویژگی
• 25. کاهش ابعاد
• 26. تحلیل مولفه‌های اصلی (PCA)
• 27. توزیع یکنواخت (Uniform Distribution)
• 28. توزیع نرمال (Normal Distribution)
• 29. قضیه حد مرکزی
• 30. آزمون فرض آماری
• 31. خطای نوع اول و دوم
• 32. سطح معنی‌داری (Significance Level)
• 33. مقدار p (p-value)
• 34. روش‌های مبتنی بر فاصله (Distance-based Methods)
• 35. K-نزدیک‌ترین همسایه (K-NN)
• 36. فاصله اقلیدسی
• 37. فاصله منهتن
• 38. روش‌های مبتنی بر چگالی (Density-based Methods)
• 39. DBSCAN
• 40. LOF (Local Outlier Factor)
• 41. روش‌های مبتنی بر مدل (Model-based Methods)
• 42. رگرسیون لجستیک
• 43. ماشین بردار پشتیبان (SVM)
• 44. درخت تصمیم
• 45. جنگل تصادفی (Random Forest)
• 46. مقدمه‌ای بر یادگیری عمیق برای تشخیص ناهنجاری
• 47. شبکه‌های عصبی چندلایه (MLP)
• 48. آموزش شبکه‌های عصبی
• 49. تابع زیان (Loss Function)
• 50. بهینه‌سازها (Optimizers)
• 51. نرخ یادگیری (Learning Rate)
• 52. پس‌انتشار خطا (Backpropagation)
• 53. تنظیم فراپارامترها (Hyperparameter Tuning)
• 54. اعتبارسنجی متقابل (Cross-validation)
• 55. معیارهای ارزیابی در تشخیص ناهنجاری
• 56. دقت (Accuracy)
• 57. صحت (Precision)
• 58. بازیابی (Recall)
• 59. امتیاز F1 (F1-Score)
• 60. منحنی ROC و AUC
• 61. تشخیص ناهنجاری در داده‌های سری زمانی
• 62. ویژگی‌های داده‌های سری زمانی
• 63. مدل‌های ARIMA
• 64. مدل‌های LSTM برای سری زمانی
• 65. مدل‌های CNN-LSTM
• 66. تشخیص ناهنجاری در داده‌های تصویری
• 67. پیش‌پردازش تصاویر
• 68. CNN برای تشخیص ناهنجاری تصویری
• 69. Autoencoder برای تشخیص ناهنجاری تصویری
• 70. GAN برای تولید تصاویر ناهنجار
• 71. تشخیص ناهنجاری در داده‌های متنی
• 72. پیش‌پردازش متن
• 73. مدل‌های Embedding متن
• 74. RNN و LSTM برای متن
• 75. تشخیص ناهنجاری در داده‌های شبکه‌ای
• 76. مدل‌سازی گراف
• 77. GNN (Graph Neural Networks)
• 78. تشخیص ناهنجاری در سیستم‌های توصیه‌گر
• 79. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 80. روش‌های فیلترینگ مشارکتی
• 81. روش‌های مبتنی بر محتوا
• 82. تشخیص ناهنجاری در داده‌های کلان
• 83. چالش‌های داده‌های کلان
• 84. ابزارهای پردازش داده‌های کلان
• 85. تشخیص ناهنجاری در داده‌های ابری (IoT)
• 86. معماری سیستم‌های IoT
• 87. چالش‌های امنیتی در IoT
• 88. مقدمه‌ای بر یادگیری عمیق قابل تفسیر (XAI)
• 89. تکنیک‌های XAI
• 90. تفسیر مدل‌های تشخیص ناهنجاری
• 91. ملاحظات اخلاقی در تشخیص ناهنجاری
• 92. حریم خصوصی داده‌ها
• 93. سوگیری در مدل‌ها
• 94. کاربرد تشخیص ناهنجاری در صنعت
• 95. تشخیص ناهنجاری در تشخیص پزشکی
• 96. تشخیص ناهنجاری در سیستم‌های مالی
• 97. تشخیص ناهنجاری در تشخیص تقلب
• 98. تشخیص ناهنجاری در نگهداری پیش‌بینانه
• 99. تشخیص ناهنجاری در امنیت سایبری
• 100. پروژه‌های عملی در تشخیص ناهنجاری