دوره ساخت و سنجش مدل‌های پیش‌بین در هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و سنجش مدل‌های پیش‌بین در هوش مصنوعی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و ارزیابی مدل‌های پیش‌بین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین: یادگیری با نظارت
• 3. انواع مسائل در یادگیری با نظارت: رگرسیون و طبقه‌بندی
• 4. مجموعه داده‌ها: جمع‌آوری، پاکسازی و پیش‌پردازش
• 5. ویژگی‌ها: انتخاب، مهندسی و استخراج
• 6. مدل‌های یادگیری ماشین: رگرسیون خطی
• 7. ارزیابی مدل‌های رگرسیون: معیارهای خطای میانگین مربعات
• 8. مدل‌های یادگیری ماشین: رگرسیون لجستیک
• 9. ارزیابی مدل‌های طبقه‌بندی: ماتریس درهم‌ریختگی
• 10. دقت، صحت و بازیابی در طبقه‌بندی
• 11. امتیاز F1 و منحنی ROC
• 12. مدل‌های یادگیری ماشین: درخت تصمیم
• 13. تنظیم هایپرپارامترها در درخت تصمیم
• 14. مدل‌های یادگیری ماشین: جنگل تصادفی
• 15. بهینه‌سازی جنگل تصادفی
• 16. مدل‌های یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
• 17. هسته‌ها در SVM
• 18. مدل‌های یادگیری ماشین: الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 19. ارزیابی مدل KNN
• 20. مدل‌های یادگیری ماشین: الگوریتم K-Means برای خوشه‌بندی
• 21. ارزیابی خوشه‌بندی
• 22. یادگیری بدون نظارت: کاهش ابعاد
• 23. تحلیل مولفه‌های اصلی (PCA)
• 24. یادگیری بدون نظارت: کاهش ابعاد با t-SNE
• 25. مدل‌های یادگیری ماشین: الگوریتم Naive Bayes
• 26. کاربرد Naive Bayes در پردازش زبان طبیعی
• 27. مدل‌های یادگیری ماشین: شبکه‌های عصبی مصنوعی
• 28. معماری شبکه‌های عصبی
• 29. تابع فعال‌سازی در شبکه‌های عصبی
• 30. تابع هزینه در شبکه‌های عصبی
• 31. بهینه‌سازی شبکه‌های عصبی: گرادیان کاهشی
• 32. نرمال‌سازی دسته‌ای (Batch Normalization)
• 33. مدل‌های یادگیری ماشین: شبکه‌های عصبی کانولوشنال (CNN)
• 34. کاربرد CNN در بینایی ماشین
• 35. لایه‌های کانولوشن در CNN
• 36. لایه‌های پولینگ در CNN
• 37. مدل‌های یادگیری ماشین: شبکه‌های عصبی بازگشتی (RNN)
• 38. کاربرد RNN در پردازش زبان طبیعی
• 39. حافظه طولانی کوتاه‌مدت (LSTM)
• 40. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 41. واحد بازگشتی دروازه‌دار (GRU)
• 42. مدل‌های یادگیری ماشین: شبکه‌های مولد تخاصمی (GAN)
• 43. کاربرد GAN در تولید داده
• 44. شبکه‌های مولد تخاصمی پیشرفته
• 45. مدل‌های یادگیری ماشین: یادگیری تقویتی
• 46. مفاهیم پایه در یادگیری تقویتی
• 47. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 48. الگوریتم‌های یادگیری تقویتی: Deep Q-Networks (DQN)
• 49. الگوریتم‌های یادگیری تقویتی: Policy Gradients
• 50. مدل‌های یادگیری ماشین: مدل‌های زبانی بزرگ (LLMs)
• 51. مبانی مدل‌های زبانی بزرگ
• 52. معماری ترانسفورمر (Transformer)
• 53. توکن‌سازی (Tokenization) در LLMs
• 54. آموزش مدل‌های زبانی بزرگ
• 55. تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ
• 56. کاربردهای مدل‌های زبانی بزرگ
• 57. اخلاق در هوش مصنوعی و یادگیری ماشین
• 58. سوگیری در مدل‌های هوش مصنوعی
• 59. تفسیرپذیری مدل‌های هوش مصنوعی (XAI)
• 60. ملاحظات امنیتی در مدل‌های هوش مصنوعی
• 61. پیش‌پردازش داده‌ها برای مدل‌های پیش‌بین
• 62. مهندسی ویژگی برای مدل‌های پیش‌بین
• 63. انتخاب مدل مناسب برای مسائل پیش‌بین
• 64. اعتبارسنجی متقابل (Cross-validation)
• 65. تنظیم هایپرپارامترها با جستجوی شبکه‌ای (Grid Search)
• 66. تنظیم هایپرپارامترها با جستجوی تصادفی (Random Search)
• 67. تنظیم هایپرپارامترها با الگوریتم‌های بهینه‌سازی بیزی
• 68. شناسایی و مدیریت داده‌های پرت (Outliers)
• 69. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 70. کدگذاری ویژگی‌های دسته‌ای (Categorical Features)
• 71. کدگذاری ویژگی‌های ترتیبی (Ordinal Features)
• 72. کدگذاری ویژگی‌های اسمی (Nominal Features)
• 73. کاهش ابعاد با تحلیل مولفه‌های غیرخطی
• 74. یادگیری نمایش (Representation Learning)
• 75. یادگیری عمیق برای نمایش ویژگی
• 76. مدل‌های نیمه‌نظارتی (Semi-supervised Learning)
• 77. یادگیری انتقالی (Transfer Learning)
• 78. کاربرد یادگیری انتقالی در بینایی ماشین
• 79. کاربرد یادگیری انتقالی در پردازش زبان طبیعی
• 80. سیستم‌های توصیه‌گر (Recommender Systems)
• 81. فیلترینگ مبتنی بر محتوا (Content-based Filtering)
• 82. فیلترینگ مشارکتی (Collaborative Filtering)
• 83. معیارهای ارزیابی سیستم‌های توصیه‌گر
• 84. مدل‌های یادگیری ماشین برای پیش‌بینی سری‌های زمانی
• 85. مدل‌های ARIMA برای سری‌های زمانی
• 86. مدل‌های LSTM برای پیش‌بینی سری‌های زمانی
• 87. ارزیابی مدل‌های سری زمانی
• 88. مدل‌های یادگیری ماشین برای پردازش تصویر
• 89. استخراج ویژگی از تصاویر
• 90. طبقه‌بندی تصاویر با CNN
• 91. تشخیص اشیاء در تصاویر
• 92. مدل‌های یادگیری ماشین برای پردازش صدا
• 93. تبدیل صدا به ویژگی
• 94. طبقه‌بندی صدا با مدل‌های یادگیری ماشین
• 95. تشخیص گفتار
• 96. مدیریت مدل‌ها در چرخه حیات یادگیری ماشین
• 97. استقرار مدل‌ها (Model Deployment)
• 98. نظارت بر عملکرد مدل‌ها پس از استقرار
• 99. بازآموزی و به‌روزرسانی مدل‌ها
• 100. مستندسازی مدل‌ها و فرآیند توسعه