دوره جنبه‌های نظری یادگیری از داده‌های ساختار یافته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جنبه‌های نظری یادگیری از داده‌های ساختار یافته

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: جنبه‌های نظری MARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مجموعه داده‌ها و پیش‌پردازش آن‌ها
• 8. پاکسازی داده‌ها
• 9. مقیاس‌بندی داده‌ها
• 10. کدگذاری متغیرهای دسته‌ای
• 11. انتخاب ویژگی
• 12. کاهش ابعاد
• 13. تحلیل مؤلفه‌های اصلی (PCA)
• 14. تحلیل تمایز خطی (LDA)
• 15. مدل‌های خطی برای طبقه‌بندی
• 16. رگرسیون لجستیک
• 17. ماشین‌های بردار پشتیبان (SVM)
• 18. مدل‌های خطی برای رگرسیون
• 19. رگرسیون خطی ساده
• 20. رگرسیون خطی چندگانه
• 21. مدل‌های مبتنی بر درخت
• 22. درخت‌های تصمیم
• 23. جنگل‌های تصادفی
• 24. تقویت گرادیان
• 25. مدل‌های مبتنی بر همسایگی
• 26. K-نزدیک‌ترین همسایگان (KNN)
• 27. مدل‌های بیزی
• 28. طبقه بندی بیز ساده (Naive Bayes)
• 29. شبکه‌های عصبی مصنوعی
• 30. مقدمه‌ای بر شبکه‌های عصبی
• 31. توابع فعال‌سازی
• 32. پس‌انتشار خطا
• 33. شبکه‌های عصبی عمیق
• 34. شبکه‌های عصبی کانولوشنی (CNN)
• 35. شبکه‌های عصبی بازگشتی (RNN)
• 36. پردازش زبان طبیعی (NLP)
• 37. مدل‌های زبانی
• 38. تعبیه کلمات (Word Embeddings)
• 39. تحلیل احساسات
• 40. مدل‌سازی موضوعی
• 41. سیستم‌های توصیه‌گر
• 42. فیلترینگ مشارکتی
• 43. فیلترینگ مبتنی بر محتوا
• 44. یادگیری ترکیبی
• 45. مدل‌های آماری برای یادگیری
• 46. احتمال و آمار در یادگیری ماشین
• 47. توزیع‌های احتمال
• 48. آزمون فرض
• 49. بایاس و واریانس
• 50. بیش‌برازش و کم‌برازش
• 51. اعتبارسنجی متقابل (Cross-Validation)
• 52. تنظیم هایپرپارامترها
• 53. بهینه‌سازی مدل
• 54. تابع هزینه (Cost Function)
• 55. نزول گرادیان (Gradient Descent)
• 56. بهینه‌سازها (Optimizers)
• 57. ارزیابی مدل‌های طبقه‌بندی
• 58. دقت (Accuracy)
• 59. صحت (Precision)
• 60. بازیابی (Recall)
• 61. امتیاز F1
• 62. ماتریس درهم‌ریختگی (Confusion Matrix)
• 63. منحنی ROC و AUC
• 64. ارزیابی مدل‌های رگرسیون
• 65. خطای میانگین مربعات (MSE)
• 66. خطای میانگین مطلق (MAE)
• 67. ضریب تعیین (R-squared)
• 68. مدل‌های یادگیری بدون نظارت
• 69. خوشه‌بندی (Clustering)
• 70. K-Means
• 71. خوشه‌بندی سلسله مراتبی
• 72. DBSCAN
• 73. کاهش ابعاد برای یادگیری بدون نظارت
• 74. تحلیل مؤلفه‌های اصلی (PCA)
• 75. توزیع یکنواخت مجزا (UMAP)
• 76. اتوانکودرها (Autoencoders)
• 77. مدل‌سازی مولد
• 78. شبکه‌های مولد تخاصمی (GANs)
• 79. مدل‌های زبانی متنی
• 80. یادگیری عمیق در پردازش تصویر
• 81. تشخیص اشیاء
• 82. تقسیم‌بندی تصویر
• 83. تولید تصویر
• 84. یادگیری عمیق در پردازش صدا
• 85. شناخت گفتار
• 86. تولید صدا
• 87. یادگیری تقویتی پیشرفته
• 88. فرایندهای تصمیم مارکوف (MDP)
• 89. برنامه‌ریزی پویا
• 90. یادگیری آفلاین و آنلاین
• 91. یادگیری عمیق در یادگیری تقویتی
• 92. الگوریتم‌های Actor-Critic
• 93. الگوریتم‌های Q-Learning عمیق
• 94. کاربردها در دنیای واقعی
• 95. یادگیری ماشین در پزشکی
• 96. یادگیری ماشین در امور مالی
• 97. یادگیری ماشین در بازاریابی
• 98. یادگیری ماشین در صنعت
• 99. اخلاق در یادگیری ماشین
• 100. سوگیری در الگوریتم‌ها