دوره آموزش نظارت شده: مبانی و پیادهسازی همراه با فلشکارت آموزشی — ارائه روی فلش مموری
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره آموزش نظارت شده: مبانی و پیادهسازی
موضوع کلی: هوش مصنوعی و مدلهای زبانی بزرگ
موضوع میانی: یادگیری نظارت شده (Supervised Learning)
📋 سرفصلهای دوره
- 1. مقدمه ای بر یادگیری ماشین و نظارت شده
- 2. انواع مسائل یادگیری ماشین
- 3. مروری بر داده ها و پیش پردازش آنها
- 4. جمع آوری و برچسب گذاری داده ها
- 5. پاکسازی داده ها و مدیریت مقادیر گمشده
- 6. مهندسی ویژگی و انتخاب ویژگی
- 7. معرفی الگوریتم های رگرسیون خطی
- 8. ارزیابی مدل های رگرسیون
- 9. معرفی الگوریتم های رگرسیون لجستیک
- 10. تفسیر نتایج رگرسیون لجستیک
- 11. معرفی ماشین های بردار پشتیبان (SVM)
- 12. کاربرد SVM در طبقه بندی
- 13. معرفی درخت های تصمیم
- 14. کاربرد درخت های تصمیم در طبقه بندی
- 15. معرفی الگوریتم جنگل تصادفی
- 16. کاربرد جنگل تصادفی در مسائل طبقه بندی
- 17. معرفی الگوریتم های تقویت گرادیان (Gradient Boosting)
- 18. کاربرد تقویت گرادیان در مسائل پیچیده
- 19. معرفی شبکه های عصبی مصنوعی
- 20. ساختار و عملکرد نورون مصنوعی
- 21. تابع فعال سازی در شبکه های عصبی
- 22. معماری لایه های شبکه عصبی
- 23. آموزش شبکه های عصبی: انتشار رو به عقب (Backpropagation)
- 24. تابع هزینه و بهینه سازی در شبکه های عصبی
- 25. تنظیم نرخ یادگیری و بهینه سازها
- 26. مدیریت بیش برازش (Overfitting) و کم برازش (Underfitting)
- 27. تکنیک های منظم سازی (Regularization)
- 28. اعتبارسنجی متقابل (Cross-validation)
- 29. معرفی شبکه های عصبی کانولوشنال (CNN)
- 30. کاربرد CNN در پردازش تصویر
- 31. معماری لایه های CNN
- 32. لایه های کانولوشن، پولینگ و کاملاً متصل
- 33. آموزش CNN برای طبقه بندی تصاویر
- 34. معرفی شبکه های عصبی بازگشتی (RNN)
- 35. کاربرد RNN در پردازش زبان طبیعی
- 36. ساختار سلول های RNN
- 37. مدیریت وابستگی های طولانی مدت در RNN
- 38. معرفی حافظه طولانی کوتاه مدت (LSTM)
- 39. کاربرد LSTM در مسائل توالی
- 40. معماری سلول های LSTM
- 41. معرفی واحدهای بازگشتی دروازه دار (GRU)
- 42. مقایسه LSTM و GRU
- 43. معرفی مدل های ترنسفورمر (Transformer)
- 44. مکانیسم توجه (Attention Mechanism)
- 45. کاربرد ترنسفورمر در پردازش زبان طبیعی
- 46. مدل های زبانی پیش آموزش دیده
- 47. معرفی مدل های BERT و GPT
- 48. تنظیم دقیق (Fine-tuning) مدل های زبانی
- 49. یادگیری انتقال (Transfer Learning)
- 50. کاربرد یادگیری انتقال در مسائل مختلف
- 51. معرفی الگوریتم های خوشه بندی (Clustering)
- 52. کاربرد خوشه بندی در کشف الگو
- 53. معرفی الگوریتم K-Means
- 54. ارزیابی نتایج خوشه بندی
- 55. معرفی خوشه بندی سلسله مراتبی
- 56. کاربرد خوشه بندی سلسله مراتبی
- 57. معرفی الگوریتم DBSCAN
- 58. مقایسه الگوریتم های خوشه بندی
- 59. معرفی کاهش ابعاد (Dimensionality Reduction)
- 60. کاربرد کاهش ابعاد در تجسم داده ها
- 61. معرفی تحلیل مؤلفه های اصلی (PCA)
- 62. کاربرد PCA در فشرده سازی داده ها
- 63. معرفی تحلیل تمایز خطی (LDA)
- 64. مقایسه PCA و LDA
- 65. مقدمه ای بر یادگیری تقویتی (Reinforcement Learning)
- 66. مفاهیم اساسی یادگیری تقویتی
- 67. عامل، محیط، پاداش و حالت
- 68. فرآیندهای تصمیم گیری مارکوف (MDP)
- 69. معرفی الگوریتم Q-Learning
- 70. جدول Q و یادگیری مقادیر Q
- 71. پیاده سازی Q-Learning
- 72. معرفی یادگیری تقویتی عمیق (Deep RL)
- 73. کاربرد شبکه های عصبی در یادگیری تقویتی
- 74. معرفی الگوریتم Deep Q-Network (DQN)
- 75. کاربرد DQN در بازی ها
- 76. معرفی الگوریتم های Policy Gradient
- 77. یادگیری سیاست ها به طور مستقیم
- 78. معرفی الگوریتم Actor-Critic
- 79. ترکیب ارزش و سیاست
- 80. ارزیابی مدل های یادگیری تقویتی
- 81. ملاحظات اخلاقی در هوش مصنوعی
- 82. حریم خصوصی و امنیت داده ها
- 83. سوگیری در الگوریتم ها و روش های مقابله
- 84. تفسیرپذیری مدل های یادگیری ماشین
- 85. مقدمه ای بر یادگیری نظارت نشده
- 86. کاربرد یادگیری نظارت نشده
- 87. معرفی الگوریتم های تشخیص ناهنجاری (Anomaly Detection)
- 88. کاربرد تشخیص ناهنجاری
- 89. معرفی روش های بیزین در یادگیری ماشین
- 90. نظریه بیز و احتمال شرطی
- 91. کاربرد مدل های بیزین در طبقه بندی
- 92. معرفی شبکه های بیزین
- 93. ساختار و تفسیر شبکه های بیزین
- 94. کاربرد شبکه های بیزین در استنتاج
- 95. مقدمه ای بر یادگیری نیمه نظارت شده
- 96. استفاده از داده های برچسب دار و بدون برچسب
- 97. کاربرد یادگیری نیمه نظارت شده
- 98. معرفی الگوریتم های یادگیری فعال (Active Learning)
- 99. انتخاب نمونه های مفید برای برچسب گذاری
- 100. کاربرد یادگیری فعال
محتویات بسته آموزشی
🌐 سامانه آنلاین فلشکارت؛ مرور هدفمند و هوشمند
اکانت ارائهشده، دسترسی به نسخه تحت وب سامانه فلشکارت ویژه این دوره را فراهم میکند. این سامانه از الگوریتم زمانبندی مرور SM-2 استفاده میکند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم میکند.
به این ترتیب، کارتهای دشوارتر میتوانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسبتری داشته باشید.
مدتزمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج میشود.
گواهی دوزبانه با استعلام آنلاین
پس از تکمیل فعالیتهای لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر میشود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.
این گواهی صرفاً بهعنوان گواهی اتمام دوره آموزشی صادر میشود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.