دوره شبکه‌های عصبی و جنگل‌های تصادفی برای تحلیل داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی و جنگل‌های تصادفی برای تحلیل داده

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌های پیشرفته یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 5. مهندسی ویژگی و انتخاب ویژگی
• 6. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 7. ساختار شبکه‌های عصبی: نورون‌ها، لایه‌ها، توابع فعال‌سازی
• 8. آموزش شبکه‌های عصبی: گرادیان کاهشی و پس‌انتشار خطا
• 9. تنظیم پارامترهای شبکه‌های عصبی: نرخ یادگیری، اندازه دسته
• 10. توابع زیان و معیارهای ارزیابی مدل
• 11. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 12. کاربرد MLP در مسائل طبقه‌بندی و رگرسیون
• 13. شبکه‌های عصبی کانولوشنال (CNN)
• 14. معماری CNN: لایه‌های کانولوشن، پولینگ، طبقه‌بندی
• 15. کاربرد CNN در پردازش تصویر
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. ساختار RNN و حافظه کوتاه‌مدت
• 18. کاربرد RNN در پردازش زبان طبیعی و سری‌های زمانی
• 19. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 20. مزایای LSTM نسبت به RNN
• 21. کاربرد LSTM در تحلیل متن و پیش‌بینی
• 22. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 23. مقایسه LSTM و GRU
• 24. کاربرد GRU در مدل‌سازی توالی
• 25. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
• 26. مبانی درخت‌های تصمیم
• 27. روش Bagging برای بهبود عملکرد درخت‌های تصمیم
• 28. ساختار جنگل‌های تصادفی
• 29. نحوه آموزش جنگل‌های تصادفی
• 30. اعتبارسنجی متقابل در جنگل‌های تصادفی
• 31. اهمیت ویژگی‌ها در جنگل‌های تصادفی
• 32. کاربرد جنگل‌های تصادفی در طبقه‌بندی
• 33. کاربرد جنگل‌های تصادفی در رگرسیون
• 34. مقایسه جنگل‌های تصادفی با سایر مدل‌های یادگیری ماشین
• 35. تنظیم ابرپارامترهای جنگل‌های تصادفی
• 36. مدل‌های ترکیبی (Ensemble Methods)
• 37. نظریه ترکیب مدل‌ها
• 38. تکنیک Boosting: AdaBoost
• 39. تکنیک Boosting: Gradient Boosting Machines (GBM)
• 40. مدل XGBoost
• 41. مدل LightGBM
• 42. کاربرد مدل‌های ترکیبی در مسائل پیچیده
• 43. معرفی مدل‌های پیشرفته‌تر یادگیری ماشین
• 44. شبکه‌های عصبی ترنسفورمر (Transformer Networks)
• 45. معماری ترنسفورمر: Self-Attention
• 46. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 47. مدل‌های زبانی بزرگ (LLMs)
• 48. مفاهیم کلیدی در LLMs
• 49. کاربرد LLMs در تولید متن و پاسخ به سوالات
• 50. شبکه‌های مولد تخاصمی (GANs)
• 51. ساختار GANs: Generator و Discriminator
• 52. کاربرد GANs در تولید تصویر
• 53. یادگیری عمیق برای تحلیل سری‌های زمانی
• 54. مدل‌های پیش‌بینی سری‌های زمانی با شبکه‌های عصبی
• 55. یادگیری عمیق برای بینایی ماشین
• 56. تشخیص اشیاء با شبکه‌های عصبی
• 57. مدل‌های پیشرفته برای تشخیص و بخش‌بندی تصویر
• 58. هوش مصنوعی اخلاقی و مسئولانه
• 59. اصول اخلاقی در توسعه هوش مصنوعی
• 60. سوگیری در داده‌ها و مدل‌ها
• 61. روش‌های کاهش سوگیری در یادگیری ماشین
• 62. شفافیت و تفسیرپذیری مدل‌های یادگیری ماشین
• 63. کاربرد هوش مصنوعی در صنعت و کسب و کار
• 64. هوش مصنوعی در بهداشت و درمان
• 65. هوش مصنوعی در امور مالی و بانکی (بدون ربا)
• 66. هوش مصنوعی در آموزش
• 67. هوش مصنوعی در حمل و نقل و لجستیک
• 68. هوش مصنوعی در کشاورزی
• 69. هوش مصنوعی در هوشمندسازی شهرها
• 70. مباحث پیشرفته در شبکه‌های عصبی
• 71. شبکه‌های عصبی گراف (GNNs)
• 72. کاربرد GNNs در تحلیل داده‌های شبکه‌ای
• 73. شبکه‌های عصبی خودرمزگذار (Autoencoders)
• 74. کاربرد Autoencoders در کاهش ابعاد و تشخیص ناهنجاری
• 75. شبکه‌های عصبی کانولوشنال سه‌بعدی (3D CNNs)
• 76. کاربرد 3D CNNs در تحلیل داده‌های حجمی
• 77. مدل‌های یادگیری انتقالی (Transfer Learning)
• 78. استفاده از مدل‌های از پیش آموزش دیده
• 79. تنظیم دقیق (Fine-tuning) مدل‌ها
• 80. معرفی مفاهیم آماری مرتبط با یادگیری ماشین
• 81. نظریه احتمال و توزیع‌های آماری
• 82. آمار استنباطی و آزمون فرض
• 83. رگرسیون خطی چندگانه
• 84. تحلیل عاملی و مؤلفه‌های اصلی (PCA)
• 85. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 86. مبانی یادگیری تقویتی: عامل، محیط، پاداش
• 87. الگوریتم‌های یادگیری تقویتی: Q-learning
• 88. کاربرد یادگیری تقویتی در رباتیک و بازی‌ها
• 89. اخلاق و امنیت در سیستم‌های هوش مصنوعی
• 90. حریم خصوصی داده‌ها در هوش مصنوعی
• 91. امنیت مدل‌های یادگیری ماشین
• 92. چالش‌های پیاده‌سازی هوش مصنوعی در مقیاس بزرگ
• 93. نگاهی به آینده هوش مصنوعی و یادگیری ماشین
• 94. نوآوری‌های آتی در شبکه‌های عصبی
• 95. پیشرفت‌ها در حوزه مدل‌های زبانی
• 96. هوش مصنوعی و نقش آن در تحولات اجتماعی