دوره مقدمه‌ای بر یادگیری ماشین با پایتون برای مبتدیان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری ماشین با پایتون برای مبتدیان

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
• 2. مبانی برنامه‌نویسی با پایتون
• 3. ساختار داده‌ها در پایتون
• 4. الگوریتم‌های پایه
• 5. مفاهیم اولیه یادگیری ماشین
• 6. انواع یادگیری ماشین
• 7. یادگیری نظارت‌شده
• 8. یادگیری نظارت‌نشده
• 9. یادگیری تقویتی
• 10. پیش‌پردازش داده‌ها
• 11. پاک‌سازی داده‌ها
• 12. مقیاس‌بندی ویژگی‌ها
• 13. انتخاب ویژگی
• 14. مدل‌های رگرسیون خطی
• 15. رگرسیون لجستیک
• 16. درخت‌های تصمیم
• 17. جنگل‌های تصادفی
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. دسته‌بندی‌کننده‌های بیز ساده
• 20. مدل‌های خوشه‌بندی
• 21. الگوریتم K-Means
• 22. خوشه‌بندی سلسله‌مراتبی
• 23. تحلیل مؤلفه‌های اصلی (PCA)
• 24. کاهش ابعاد
• 25. ارزیابی مدل‌ها
• 26. معیارهای ارزیابی رگرسیون
• 27. معیارهای ارزیابی دسته‌بندی
• 28. اعتبارسنجی متقابل
• 29. تنظیم ابرپارامترها
• 30. شبکه‌های عصبی مصنوعی
• 31. مبانی پرسپترون
• 32. تابع فعال‌سازی
• 33. پس‌انتشار خطا
• 34. شبکه‌های عصبی عمیق
• 35. شبکه‌های عصبی کانولوشنال (CNN)
• 36. شبکه‌های عصبی بازگشتی (RNN)
• 37. پردازش زبان طبیعی (NLP)
• 38. مدل‌سازی موضوعی
• 39. تحلیل احساسات
• 40. سیستم‌های توصیه‌گر
• 41. یادگیری عمیق برای پردازش تصویر
• 42. یادگیری عمیق برای پردازش صدا
• 43. اصول اخلاق در هوش مصنوعی
• 44. حریم خصوصی در یادگیری ماشین
• 45. سوگیری در الگوریتم‌ها
• 46. مسئولیت‌پذیری در هوش مصنوعی
• 47. کاربردها در صنعت
• 48. کاربردها در پزشکی
• 49. کاربردها در امور مالی
• 50. کاربردها در خودروسازی
• 51. کاربردها در آموزش
• 52. کاربردها در امنیت
• 53. مقدمه‌ای بر یادگیری تقویتی پیشرفته
• 54. یادگیری عمیق تقویتی
• 55. مدل‌های یادگیری تقویتی عمیق (DQN)
• 56. یادگیری تقویتی مبتنی بر سیاست
• 57. یادگیری تقویتی مبتنی بر مقدار
• 58. تکنیک‌های پیشرفته پیش‌پردازش
• 59. مهندسی ویژگی
• 60. مدل‌های ترکیبی (Ensemble Methods)
• 61. تقویت گرادیان
• 62. کیسه‌بندی (Bagging)
• 63. تقویت (Boosting)
• 64. مدل‌های پیچیده دسته‌بندی
• 65. کلاسترینگ پیشرفته
• 66. تکنیک‌های کاهش ابعاد پیشرفته
• 67. یادگیری نیمه‌نظارت‌شده
• 68. یادگیری خودنظارت‌شده
• 69. یادگیری انتقالی (Transfer Learning)
• 70. مدل‌های از پیش آموزش‌دیده
• 71. تنظیم دقیق مدل‌ها
• 72. مبانی شبکه‌های مولد تخاصمی (GAN)
• 73. کاربرد GAN در تولید داده
• 74. مبانی شبکه‌های مولد
• 75. مبانی شبکه‌های خودرمزگذار (Autoencoders)
• 76. کاربرد خودرمزگذارها
• 77. پردازش گراف در یادگیری ماشین
• 78. شبکه‌های عصبی گراف (GNN)
• 79. کاربرد GNN
• 80. هوش مصنوعی قابل تفسیر (XAI)
• 81. تکنیک‌های تفسیرپذیری
• 82. مدل‌های یادگیری ماشین توزیع‌شده
• 83. ملاحظات پیاده‌سازی
• 84. بهینه‌سازی مدل‌ها برای تولید
• 85. نظارت بر مدل‌های تولید
• 86. مقدمه‌ای بر یادگیری فدرال
• 87. کاربرد یادگیری فدرال
• 88. یادگیری ماشین در سیستم‌های توزیع‌شده
• 89. امنیت در یادگیری ماشین
• 90. حملات به مدل‌های یادگیری ماشین
• 91. دفاع در برابر حملات
• 92. ملاحظات حاکمیتی در هوش مصنوعی
• 93. چارچوب‌های قانونی و نظارتی
• 94. استانداردهای فنی هوش مصنوعی
• 95. آینده هوش مصنوعی
• 96. روندهای پژوهشی
• 97. چالش‌های پیش رو
• 98. یادگیری ماشین برای علم داده
• 99. تحلیل داده‌های بزرگ
• 100. تصویرسازی داده‌ها