دوره اصول عملیاتی، ارزیابی و پایش مدل‌های یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول عملیاتی، ارزیابی و پایش مدل‌های یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و ارزیابی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و توسعه مدل
• 2. مراحل کلیدی چرخه حیات مدل یادگیری ماشین
• 3. مفاهیم پایه و تعاریف کلیدی در یادگیری ماشین
• 4. انواع وظایف یادگیری ماشین: طبقه‌بندی، رگرسیون، خوشه‌بندی
• 5. انتخاب داده‌های مناسب برای آموزش مدل
• 6. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 7. مهندسی ویژگی: ایجاد ویژگی‌های مؤثر
• 8. تقسیم داده‌ها: آموزش، اعتبارسنجی و آزمون
• 9. مقدمه‌ای بر ارزیابی مدل‌های یادگیری ماشین
• 10. معیارهای ارزیابی برای مسائل طبقه‌بندی
• 11. دقت، صحت و بازیابی در ارزیابی طبقه‌بندی
• 12. امتیاز F1 و ماتریس درهم‌ریختگی
• 13. معیارهای ارزیابی برای مسائل رگرسیون
• 14. خطای میانگین مربعات و خطای میانگین مطلق
• 15. ضریب تعیین (R-squared) برای ارزیابی رگرسیون
• 16. اعتبارسنجی متقابل (Cross-validation) و اهمیت آن
• 17. انواع اعتبارسنجی متقابل: K-Fold
• 18. اعتبارسنجی متقابل لایه‌بندی شده (Stratified K-Fold)
• 19. انتخاب مدل مناسب: مقایسه مدل‌های مختلف
• 20. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 21. شناسایی و تشخیص بیش‌برازش و کم‌برازش
• 22. راهکارهای مقابله با بیش‌برازش: تنظیم منظم (Regularization)
• 23. انواع تنظیم منظم: L1 و L2
• 24. راهکارهای مقابله با کم‌برازش: افزایش پیچیدگی مدل
• 25. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 26. روش‌های تنظیم ابرپارامتر: جستجوی شبکه‌ای (Grid Search)
• 27. روش‌های تنظیم ابرپارامتر: جستجوی تصادفی (Random Search)
• 28. مقدمه‌ای بر پایش مدل‌های یادگیری ماشین
• 29. چرا پایش مدل‌ها ضروری است؟
• 30. انحراف داده (Data Drift) و انحراف مفهوم (Concept Drift)
• 31. تشخیص انحراف داده و انحراف مفهوم
• 32. تکنیک‌های پایش عملکرد مدل در طول زمان
• 33. پایش مداوم و بازآموزی مدل‌ها
• 34. پیاده‌سازی پایپ‌لاین‌های تولید و پایش مدل
• 35. ابزارها و فریم‌ورک‌های پایش مدل
• 36. مستندسازی مدل‌ها و فرآیند توسعه
• 37. اصول اخلاقی در توسعه و پایش مدل‌های هوش مصنوعی
• 38. مسئولیت‌پذیری در هوش مصنوعی
• 39. حفظ حریم خصوصی داده‌ها در مدل‌های یادگیری ماشین
• 40. شفافیت و قابلیت تفسیرپذیری مدل‌ها
• 41. مقدمه‌ای بر مدل‌های یادگیری عمیق
• 42. شبکه‌های عصبی کانولوشنی (CNN)
• 43. شبکه‌های عصبی بازگشتی (RNN)
• 44. شبکه‌های عصبی ترنسفورمر (Transformer)
• 45. کاربرد مدل‌های یادگیری عمیق در پردازش زبان طبیعی
• 46. کاربرد مدل‌های یادگیری عمیق در بینایی ماشین
• 47. مقدمه‌ای بر یادگیری تقویتی
• 48. مفاهیم پایه در یادگیری تقویتی
• 49. الگوریتم‌های یادگیری تقویتی
• 50. کاربردهای یادگیری تقویتی
• 51. مقدمه‌ای بر یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 52. کاربردها و چالش‌های یادگیری نیمه‌نظارتی
• 53. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 54. استفاده از مدل‌های از پیش آموزش‌دیده
• 55. تنظیم دقیق (Fine-tuning) مدل‌های یادگیری انتقالی
• 56. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 57. مزایا و معایب یادگیری چندوظیفه‌ای
• 58. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 59. چرخه یادگیری فعال
• 60. کاربردها و محدودیت‌های یادگیری فعال
• 61. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 62. اصول و معماری یادگیری فدرال
• 63. امنیت و حریم خصوصی در یادگیری فدرال
• 64. کاربردهای یادگیری فدرال
• 65. مقدمه‌ای بر مدل‌های تولیدکننده (Generative Models)
• 66. شبکه‌های مولد تخاصمی (GANs)
• 67. خودرمزگذارها (Autoencoders)
• 68. مدل‌های زبانی بزرگ (LLMs)
• 69. کاربرد مدل‌های تولیدکننده در تولید محتوا
• 70. ارزیابی مدل‌های تولیدکننده
• 71. مقدمه‌ای بر تفسیرپذیری مدل‌های یادگیری ماشین (XAI)
• 72. تکنیک‌های تفسیرپذیری محلی (Local Interpretability)
• 73. تکنیک‌های تفسیرپذیری سراسری (Global Interpretability)
• 74. تکنیک‌های مبتنی بر جایگزینی (Surrogate Models)
• 75. تکنیک‌های مبتنی بر ویژگی (Feature Importance)
• 76. تکنیک‌های مبتنی بر نمونه (Example-based Explanations)
• 77. کاربرد XAI در تشخیص خطا و بهبود مدل
• 78. کاربرد XAI در اعتمادسازی و پذیرش مدل
• 79. مقدمه‌ای بر مهندسی پرامپت (Prompt Engineering)
• 80. اصول طراحی پرامپت‌های مؤثر
• 81. تکنیک‌های پیشرفته مهندسی پرامپت
• 82. کاربرد مهندسی پرامپت در مدل‌های زبانی بزرگ
• 83. ارزیابی و بهبود پرامپت‌ها
• 84. مقدمه‌ای بر یادگیری ماشینی قابل اعتماد (Trustworthy ML)
• 85. اصول یادگیری ماشینی قابل اعتماد
• 86. ارزیابی و اطمینان از قابلیت اطمینان مدل‌ها
• 87. مباحث پیشرفته در ارزیابی و پایش مدل
• 88. بهینه‌سازی مدل برای استقرار در محیط عملیاتی
• 89. مدیریت چرخه عمر مدل در مقیاس بزرگ
• 90. مطالعات موردی و سناریوهای عملیاتی
• 91. آینده یادگیری ماشین و هوش مصنوعی
• 92. روندهای نوظهور در ارزیابی و پایش مدل
• 93. جمع‌بندی و گام‌های بعدی در توسعه و عملیاتی‌سازی مدل