دوره الگوریتم‌های یادگیری ماشین و تحلیل داده‌ها در عمل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های یادگیری ماشین و تحلیل داده‌ها در عمل

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: مبانی و کاربردهای هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مبانی احتمال و آمار برای یادگیری ماشین
• 3. توزیع‌های احتمال گسسته
• 4. توزیع‌های احتمال پیوسته
• 5. متغیرهای تصادفی و امید ریاضی
• 6. قضیه حد مرکزی و کاربردهای آن
• 7. مفاهیم اولیه تحلیل داده
• 8. پیش‌پردازش داده‌ها
• 9. پاکسازی و نرمال‌سازی داده‌ها
• 10. مهندسی ویژگی
• 11. انتخاب ویژگی
• 12. کاهش ابعاد
• 13. تحلیل مولفه‌های اصلی (PCA)
• 14. تجزیه مقادیر منفرد (SVD)
• 15. یادگیری بدون نظارت
• 16. خوشه‌بندی
• 17. الگوریتم K-Means
• 18. خوشه‌بندی سلسله مراتبی
• 19. مدل‌های مخلوط گوسی (GMM)
• 20. تشخیص ناهنجاری
• 21. یادگیری با نظارت
• 22. رگرسیون خطی
• 23. رگرسیون لجستیک
• 24. ماشین‌های بردار پشتیبان (SVM)
• 25. درخت‌های تصمیم
• 26. جنگل‌های تصادفی
• 27. تقویت گرادیان (Gradient Boosting)
• 28. شبکه‌های عصبی مصنوعی
• 29. مبانی شبکه‌های عصبی
• 30. تابع فعال‌سازی
• 31. پس‌انتشار خطا (Backpropagation)
• 32. شبکه‌های عصبی کانولوشنی (CNN)
• 33. شبکه‌های عصبی بازگشتی (RNN)
• 34. پردازش زبان طبیعی (NLP)
• 35. مدل‌سازی موضوعی
• 36. تحلیل احساسات
• 37. ترجمه ماشینی
• 38. مدل‌های زبانی
• 39. یادگیری تقویتی
• 40. مبانی یادگیری تقویتی
• 41. عامل و محیط
• 42. پاداش و حالت
• 43. سیاست و تابع ارزش
• 44. الگوریتم‌های Q-Learning
• 45. یادگیری عمیق در عمل
• 46. کاربرد شبکه‌های عصبی در بینایی ماشین
• 47. کاربرد شبکه‌های عصبی در پردازش صدا
• 48. کاربرد شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 49. کاربرد شبکه‌های عصبی در تشخیص پزشکی
• 50. کاربرد شبکه‌های عصبی در امور مالی
• 51. مدل‌های مولد
• 52. شبکه‌های مولد تخاصمی (GAN)
• 53. کاربرد GAN ها در تولید تصویر
• 54. کاربرد GAN ها در تولید متن
• 55. یادگیری انتقالی (Transfer Learning)
• 56. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 57. فرایندهای گوسی (Gaussian Processes)
• 58. کاربرد فرایندهای گوسی در رگرسیون
• 59. کاربرد فرایندهای گوسی در طبقه‌بندی
• 60. بهینه‌سازی در یادگیری ماشین
• 61. گرادیان کاهشی تصادفی (SGD)
• 62. بهینه‌سازهای پیشرفته (Adam, RMSprop)
• 63. تنظیم فراپارامترها
• 64. اعتبارسنجی متقابل (Cross-Validation)
• 65. اهمیت داده‌ها در یادگیری ماشین
• 66. جمع‌آوری داده
• 67. برچسب‌گذاری داده
• 68. مدیریت داده‌های حجیم
• 69. حفظ حریم خصوصی داده‌ها
• 70. امنیت مدل‌های یادگیری ماشین
• 71. حملات متقابل (Adversarial Attacks)
• 72. دفاع در برابر حملات متقابل
• 73. اخلاق در هوش مصنوعی
• 74. سوگیری در الگوریتم‌ها
• 75. عدالت و شفافیت در هوش مصنوعی
• 76. مسئولیت‌پذیری هوش مصنوعی
• 77. یادگیری ماشین قابل توضیح (XAI)
• 78. تفسیر مدل‌های یادگیری ماشین
• 79. روش‌های SHAP و LIME
• 80. کاربردهای عملی یادگیری ماشین
• 81. اتوماسیون فرآیندها
• 82. پیش‌بینی تقاضا
• 83. بهینه‌سازی منابع
• 84. تشخیص تقلب
• 85. سیستم‌های هوشمند
• 86. آینده یادگیری ماشین
• 87. روندهای نوظهور در یادگیری ماشین
• 88. یادگیری ماشین توزیع‌شده
• 89. یادگیری ماشین فدرال
• 90. هوش مصنوعی عمومی (AGI)
• 91. مباحث پیشرفته در یادگیری ماشین
• 92. یادگیری عمیق برای داده‌های پرتنش
• 93. مدل‌های گراف عصبی (GNN)
• 94. یادگیری تقویتی عمیق
• 95. یادگیری خود نظارتی
• 96. یادگیری با نمونه‌های کم (Few-Shot Learning)
• 97. یادگیری مداوم (Continual Learning)
• 98. مدیریت ریسک در پروژه‌های هوش مصنوعی
• 99. ارزیابی عملکرد مدل‌ها
• 100. شاخص‌های ارزیابی رگرسیون